一、基于Bootstrap方法的风险度量模型及其实证分析——关于机构投资者风险度量方法的探讨（论文文献综述）
司晓丽[1]（2021）在《基于GARCH族模型和MCS检验的上海原油期货市场风险度量研究》文中研究指明
陈璐[2]（2021）在《基于混频数据分析方法的金融风险测度研究》文中研究表明近年来,经济全球化发展迅速,各个经济体之间的联系日益紧密,市场之间的依赖性逐渐增强。金融自由化快速推进,金融创新层出不穷,金融系统日渐脆弱。这些都为金融危机的爆发提供了土壤,频繁发生的金融危机也让人们逐渐意识到金融风险管理的重要性。微观审慎监管和宏观审慎监管是现代金融风险管理中两种重要的监管方式,二者互为补充,缺一不可。在两种监管模式下,金融风险测度都最为关键,如何提供准确的金融风险测度既是监管当局思考的重要问题也是学者们研究的重要课题。在金融风险测度过程中,由于不同来源的风险因子观测频率不一致等原因,存在着混频数据问题,即解释变量与被解释变量或解释变量之间的观测频率不一致。传统的处理方法主要依赖于数据同频化处理,要么将高频数据聚合为低频数据,要么将低频数据插值为高频数据。但这两种做法都会产生较大的误差,导致风险测度结果的不准确,需要研究新的金融风险测度模型与方法。基于此,本文提出“基于混频数据分析方法的金融风险测度研究”的研究课题,将混频数据抽样模型（Mixed data sampling,MIDAS）分别引入微观审慎监管和宏观审慎监管过程中,旨在解决混频数据环境下的金融风险测度问题。MIDAS方法通过利用频率对齐等手段,可以不改变原有数据的频率,直接利用混频数据进行建模,突破了传统回归模型中要求数据同频的束缚,克服了传统混频数据处理方法的缺陷。因此,本文提出利用MIDAS方法解决金融风险测度过程中的混频数据问题,在微观审慎视角下,构建了混频数据Expectile回归模型和联合可导出混频数据模型,分别实现了对金融风险的间接测度和直接测度;在宏观审慎视角下,构建了动态条件相关混频数据t分布模型,用于系统性金融风险的测度。具体研究工作和主要创新如下:（1）提出了混频数据Expectile（ER-MIDAS）回归模型,给出了 VaR（ES）测度的新方法。为了能够充分利用高频数据中的信息,本文将MIDAS方法引入Expectile回归模型,建立了 ER-MIDAS模型,给出了模型表达式、参数选择以及模型估计的方法。其次,设计数值模拟实验,评估ER-MIDAS模型在测度VaR和ES方面的准确性,并与传统的RiskMetrics模型、GARCH-t模型、GJRGARCH-t模型、Realized GARCH-t模型、CARE等模型进行比较,发现高频信息的加入有助于提高风险测度的准确性。最后,利用ER-MIDAS模型对上证指数、标准普尔500指数和英国富时指数等国际常用股票指数的周度风险进行了测度,实证结果表明ER-MIDAS模型适用于风险厌恶型投资者以及稳健的金融风险管理。（2）提出了联合可导出混频数据（JE-MIDAS）模型,给出了 VaR（ES）测度的新方法。联合可导出回归模型能够同时得到VaR和ES的估计值,实现了对ES的直接测度。本文将MIDAS方法引入联合可导出回归模型,建立JE-MIDAS模型,使其能够直接利用高频数据中的信息测度低频的风险,提高风险测度的准确性。本文给出了两种模型表达式,以及参数选择和模型估计的方法。通过数值模拟,将JE-MIDAS模型与GARCH-t模型、realGARCH-t模型、JE-AL模型和ES-CAViaR等模型进行比较,证实了其在VaR和ES测度方面的优越性。对上证指数、标准普尔500指数和英国富时指数进行实证研究,发现市场波动会增加风险,利率对标准普尔500指数和富时指数的风险有正向影响,而对上证指数则有负向影响。（3）修正了动态条件相关混频数据（DCC-MIDAS-N）模型的分布假设,提出了 DCC-MIDAS-t模型,给出了 CoVaR（CoES）测度的新方法。考虑到金融时间序列具有尖峰厚尾的特征,本文将DCC-MIDAS模型原来的正态分布假设修改为学生t分布,构建了 DCC-MIDAS-t模型,将修正后的DCC-MIDAS-t模型应用于CoVaR和CoES的测度。首先,给出了 DCC-MIDAS-t模型的估计方法以及利用该模型测度CoVaR和CoES的方法。其次,对中国银行业的系统性金融风险进行了实证研究。选取2015年中国股市崩盘前后为实证期间,利用工业增加值、货币供应量和生产者价格指数等宏观经济变量对银行业的系统性金融风险等进行了测度。并细致考察了各家银行在危机前、危机中和危机后的波动性、相关性和风险溢出等表现。本文将混频数据分析模型扩展至金融风险测度领域,开发出新的风险测度模型,并给出了模型表示、参数选择和模型估计等一整套建模方法,丰富了金融风险测度的理论研究内容,也充实了混频数据分析模型的应用研究内容。同时,将新提出的混频数据风险测度模型应用于国际重要股指和中国银行业的风险测度,有助于投资者把握市场风险趋势,做出正确的投资策略,也有助于金融机构和监管者提升风险管理水平,制定有效的风险管理政策。
王雪[3]（2021）在《极端值模型研究及在风险度量中的应用》文中指出各国金融市场国际化程度的不断提高,加剧了国内外金融市场的波动,引起了极端损失事件发生的可能,造成了极大的财务压力和高昂的破产成本风险。在金融市场风险管理中准确地度量极端风险非常重要,目前对极端风险的研究,大都是围绕金融资产收益率的分布形式和波动率展开的,如何构建一个能够准确度量极端Va R值的风险度量模型是本文的研究目的所在。由于传统的EGARCH模型在极端事件中不能很好地刻画分布尾部的极端值,本文基于此模型和Cornish-Fisher展开方法提出了新的EGARCH-CF模型,并运用Cornish-Fisher方法对EGARCH模型的残差分布进行渐近展开。新模型既能体现收益率的波动聚集性又能体现不对称性。应用EGARCH-CF模型和传统的EGARCH模型对神州高铁股票收益率极端风险进行度量,度量结果以及Kupiec回测检验结果表明,EGARCH-CF模型可用于度量极端风险,其度量的极端风险比EGARCH模型更精确。金融资产收益率分布函数常常存在尖峰厚尾的特征,一般的正态、t分布等无法很好地刻画这些性质。在此背景下,本文基于极值理论和已实现的Gamma混合广义误差（GGED）分布,将POT模型中的超额分布用GGED分布近似,构造了POT-GGED模型。POT-GGED模型既具有GGED分布适用灵活的优点,又具有POT模型能够刻画收益率分布尾部极端风险的优点。实证分析中应用POT-GGED模型和已有的POT模型对上证380指数收益率极端Va R值进行度量。实证结果和Kupiec回测检验表明POT-GGED模型能够对上证380指数收益率的极端风险进行度量,在一定程度上,用POT-GGED模型度量极端风险比POT模型更精确。本文提出的两个新模型对度量金融市场中的极端风险提供了参考。
胡耀华[4]（2020）在《可转债的风险度量及与股票间的溢出关系研究》文中提出可转债是一种具有股票和债券双重性质的混合金融衍生品,这种复杂性一方面使得它具有良好的收益特征,另一方面也使得它面临较大且难以估计的风险。要想准确地把握和有效地管理可转债市场的风险,不仅需要对可转债市场的风险进行准确地度量,更需要理解股票市场风险和可转债市场风险的联动关系。这也是本文的两个主要研究内容。文章聚焦于可转债的市场风险,首先从经验和理论上探讨了可转债的风险因素以及和股票市场的联系。接着利用实证分析的方法,选取光大可转债的交易数据作为样本,用描述统计方法、正态性检验方法和非对称的GARCH模型,对可转债的风险特征做了刻画。然后,通过GARCH-VaR和GARCH-CVaR方法,对可转债的风险进行了度量,并对风险度量方法做了对比和评价。文章为了探究可转债与股票市场的溢出关系,首先用一般线性回归的方法确定了这种影响的存在。然后用Granger因果关系检验,检验可转债市场和股票市场是否存在波动溢出效应。由于收益率比波动率更易观察和理解,接着文章通过建立可转债收益率和股票收益率的向量自回归模型（VAR）,来检验并分析收益率溢出效应。为了进一步探究溢出的具体路径,文章还用到了脉冲响应函数和方差分解的方法。研究结果发现,可转债的收益率存在尖峰厚尾和波动聚集的特征,而且发现GED分布可以对这种尖峰厚尾特征进行比较准确的描述。另外,可转债市场也不存在杠杆效应。和VaR方法相比,CVaR方法对可转债尾部风险的刻画更准确,而且CVaR方法对置信水平的敏感度更低。在溢出效应方面,存在股票市场向可转债市场的单向波动溢出和收益率溢出现象。文章认为,GED分布下的CVaR方法可能是较优的可转债风险度量方法。出现单向溢出的原因可能是,可转债市场规模小,机制不健全。这影响了可转债市场的信息解读、消化和吸收的能力,导致从可转债市场向股票市场的信息传递受到阻碍。
孙闻聪[5]（2020）在《渐进开放环境下的中国资产与海外资产间风险传染研究 ——基于网络连通性分析方法》文中研究指明中国资本市场在过去的20年间渐进式地对外开放,并取得了显着的效果,对外开放的广度与深度持续提升。然而,推进资本市场国际化也必然带来了国际市场风险的输入和国内风险的输出,外部输入风险已成为我国当前特别关注的对象。在此背景下,本文希望探究,随着中国金融市场的逐渐对外开放,国内外大类资产间的风险传染效应是否产生了新的变化?在常规时期与危机时期,中国资产在全球资产中各扮演了什么样的角色?国内外大类资产间风险传染是否有非对称效应?国内外大类资产间风险传染主要通过什么渠道?本文采用基于广义方差分解和频谱分解的网络连通性模型,从波动溢出的角度来度量国内外大类资产间的风险传染。具体而言,本文从宏观和微观两种视角、静态和动态两个层面,实证分析了国内外大类资产间风险传染的时变特征、非对称效应和频段差异,为投资者的投资组合风险管理和监管机构防范系统性风险输入提供参考。对于国内外大类资产间风险传染的时变特征,本文以2014年沪港通开通作为样本断点,发现从中国股票市场、债券市场和外汇市场发出和接收的连通性在近年来显着增加,这说明中国资产与海外资产的联系越来越紧密,波动率溢出效应愈发明显。更重要的是,在2015年A股股灾期间,中国股票市场的波动外溢效应明显,成为全球资本市场的波动发出者。对于国内外大类资产间风险传染的非对称效应,本文实证发现中国的股票和外汇市场所接收的负向波动明显强于正向波动,同时净连通性均为负,说明具有明显的风险输入特征。对于国内外大类资产间风险传染的速度与渠道,本文实证发现全球大类资产间的波动冲击的传播速度主要集中于低频,其次为高频,而中频不明显,说明全球大类资产间风险传染主要通过各国供应链关联和投资者对经济的长期预期来实现。在08年金融危机期间,全球大类资产间低频连通性上升明显,表明投资者对经济基本面具有长期的悲观预期;而在15年中国A股股灾期间,全球大类资产间高频连通性脉冲式上升,表明在此期间连通性更多是受投资者短期情绪和资本快速流动的影响。本文的研究对投资组合构建和监管政策制定都有参考意义。对于投资者而言,本文通过研究近年来中国资产与海外资产之间的连通性变化,可以帮助投资者对国内外大类资产配置进行更好的风险管理。对于监管者而言,本文可以帮助监管机构评估金融开放相关政策的效果,并对系统性风险的输入进行监控和管理。
李乔[6]（2020）在《金融风险度量的渐近方法研究及应用》文中研究说明巴塞尔银行监管委员会在2012年将VaR（Value at Risk:风险价值）替换为ES（Expected Shortfall:期望损失）作为金融市场风险度量的工具,以克服VaR存在的不满足一致性风险定理和阻碍多元化的缺陷,风险度量仍然是当今金融工程中最活跃和最具挑战性的研究主题之一,因此不断激发创新方法。VaR和ES是两种常用且重要的风险度量值,这两个量是不可直接观测的,VaR直观、简单,ES属一致性风险度量,但在计算方法上仍然有许多不足,在大多数情况下没有简单的封闭式解决方案,尤其是ES的积分运算,因而很有必要研究其近似计算和数值解法。本文首先回顾了VaR和ES的理论简介以及传统的一些计算方法,总结了这些方法的优劣势以及应用条件。通过结合Edgeworth展开和Saddlepoint展开一系列的近似计算,在VaR和ES这两种风险度量理论框架下深入研究了金融风险度量的渐近方法,分别提出了计算VaR和ES的渐近表达式。在许多统计问题中我们不直接使用统计量的分布而是需要分布的分位数,Cornish-Fisher是基于对Edgeworth展开式的反演而得来计算分位数的方法,针对Cornish-Fisher公式使用中的缺陷问题,使用矩校正偏度和峰度系数解决了公式中偏度和峰度参数与分布的实际偏度和峰度混淆的问题。模拟结果表明可以利用校正偏度和峰度来提高Cornish-Fisher计算VaR值的精度,但校正偏度和峰度却不适用于Edgeworth展开计算ES值,且实验的结果和样本量没有关系。鉴于ES的积分计算中涉及的分布问题,借助Edgeworth对密度函数的展开将尾部的积分计算转换为不完全gamma函数的计算,并将Cornish-Fisher得到分位数估计值带入得到计算ES值的渐近表达式。其次从Saddlepoint展开的角度出发进行分析与总结,通过反转Lugannani–Rice公式,根据随机变量的矩母函数和累积量生成函数得出VaR的估计值,并与已有的研究结果进行结合,利用Saddlepoint展开计算VaR的准确性,将密度函数和分布函数的Saddlepoint展开与渐近表达式中的对应值进行替换来计算ES值。最后论文进行了模拟计算比较了三种方法的有效性,结果表明了Bootstrap作为参照值的有效性,随后研究了阿里巴巴的股票进行实证分析,Monte Carlo模拟结果表明,Edgeworth展开法计算ES的值比Saddlepoint展开法更为精确。
平原[7]（2019）在《基于高频数据的已实现波动率模型研究》文中研究说明本文主要研究了基于高频时间序列的已实现波动率的建模和预测问题,并将重点放在考虑跳跃过程和微观结构噪声影响下的已实现波动率的建模及预测问题上。高频数据的产生带来一个重要的问题,即随着取样频率的逐渐增加,市场的微观结构噪声也越来越大。此外,中国资本市场尚处于发展阶段,资产价格剧烈波动的现象时常发生,这使得学者们纷纷将跳跃行为引入到已实现波动率预测问题的研究中。本文主要基于证券市场微观结构理论对跳跃行为进行研究,对考虑跳跃行为的已实现波动率预测模型进行了改进,并在此基础上进一步考虑时变和多模型的已实现波动率预测模型,以期进一步提升对我国证券市场未来波动率的预测精度。本文从以下几个方面对基于高频时间序列的已实现波动率的建模及预测问题进行了研究和讨论:一、我们提出了一个新的截断的双尺度已实现波动率估计量（TTSRV）,并从理论上论证了其在刻画真实波动率上的优势,我们数值模拟的结果也表明这一新的已实现波动率估计量TTSRV在有跳跃过程和市场微观结构噪声影响的条件下可以更加有效的刻画真实波动率,从而有效提升对未来波动率的预测精度。二、我们将截断的双尺度已实现波动率估计量（TTSRV）引入到经典的HAR-RV类模型中来对中国沪深300股票指数的波动率进行预测。我们先对经典的HAR-RV模型和HAR-TTSRV模型的样本外预测能力进行了比较,又对考虑了隔夜回报、杠杆效应和测量误差的两类已实现波动率预测模型样本外预测能力进行了比较,得出了TTSRV在各种情况下都有效提升了模型预测精度的结论,从而从实证的角度有效支持了TTSRV这一估计量对跳跃过程刻画更为精确的理论假设,也在此基础上构建了更为有效的基于高频数据的已实现波动率预测模型。三、我们将融资买入和融券卖空约束这一因素引入到已实现波动率模型中去,使得跳跃过程能够得到更为准确的预测,从而增加预测模型整体的预测精度。我们首先从样本内的预测结果出发,发现无论基于融资买入约束、融券卖出约束或是两者共同考虑的情况下,预测模型的结果都清晰的表明融资买入和融券卖出约束对波动率有着十分显着的影响。不仅如此,我们还发现引入融资买入约束和融券卖出约束提高了跳跃过程的刻画精度。本文还将经典的基于HAR-RV模型的跳跃部分的系数,由不随时间变化的常数变为随融资融券买入卖空约束的强弱而改变的时变系数,并基于中国股票市场波动率的样本外预测结果得到了将跳跃过程时变后的模型预测精度显着提高的结论。这就进一步从流动性冲击的角度验证了融资融券买入卖空约束对于跳跃过程以及波动率预测的重要意义。四、我们考虑构建时变动态的已实现波动率预测模型,引入了Kalman Filter规则使得单个模型的参数随时间而变化,并且通过实证研究验证了基于时变参数的单个已实现波动率的预测模型效果要明显优于基于固定参数的预测模型。在此基础上,我们进一步考虑多模型动态时变已实现波动率预测模型,将DMA及其改进后的ADMA方法引入其中,通过构建一个模型族并赋予每个模型的权重来消除单个模型预测效果不稳定的缺陷,我们的实证结果也表明基于不同参数的DMA和ADMA方法的预测模型的预测精度比大多数单个模型都要高,体现了基于动态平均方法的多模型已实现波动率预测模型在预测效果上的稳健性。五、我们利用基于高频数据的已实现波动率对中国股票市场上的尾部风险进行测度。我们引入了极值理论来刻画尾部风险,并将基于高频数据的已实现波动率引入到尾部风险的度量中,以沪深300股指期货为样本,构建了RV-EVT模型来度量其尾部风险,并将本文构建的基于已实现波动率的预测模型与经典的基于已实现波动率的预测模型进行比较。我们的实证结果表明,引入极值理论可以更为准确地刻画极端条件下的尾部市场风险,同时对未来波动率预测精度的提升也可以有效地提高对市场尾部风险的刻画精度。
周威皓[8]（2019）在《中国商业银行利率衍生品风险管理研究》文中提出金融全球化程度的加剧以及中国利率市场化改革的深度开展,加速了中国利率衍生品市场的发展。利率衍生品市场的发展对中国金融体系意义重大。中国商业银行作为我国利率衍生品市场的重要主体,利率衍生品的利用及其风险管理一定会对其是否能有力地参与同业竞争起着至关重要的作用。从国际上看,发达国家的利率衍生品市场基本都是在利率市场化完成后发展相对成熟并形成比较严谨完备的管理体系。在中国,银行业一直享受着因利率管制而带来的红利,创新利率衍生品的动力不足,交易的数量不仅小,而且交易很不活跃。就目前而言,中国商业银行利率衍生品的发展离商业银行强烈的避险需求差距甚远,与利率市场化水平也没有达到完美契合,利率衍生品风险管理的意识与手段还远不能适应金融形势发展的需要,更缺乏对利率衍生品风险管理的完善体系。商业银行在利率衍生品种类的开发、交易的基础制度建设、法律法规健全完善等方面都是非常有限的,其利率衍生品风险的管理,无论是策略,还是技术或方法,都还不及发达国家来得成熟和自如,尤其是对于VaR和CVaR模型的运用凸显着差强人意。所以如何不断创新发展利率衍生品市场并科学有效地管理其风险,建立成熟完备的利率衍生品风险管理体系就成为中国商业银行必须深入研究和迫切需要解决的问题。本篇论文立足于一个宏观和多层次的视角,对比、参考并借鉴国际经验,以利率衍生品及其风险管理的有关理论为基础,结合金融学研究方法,研究利率衍生品的特点与功能优势、商业银行利率衍生品风险的形成机理和一般传导路径,利用金融理论、数学统计、计量分析多种手段和方法对市场上利率衍生品的VaR和CVaR风险,以及CVaR风险对于商业银行股票收益率溢出效应进行实证分析,旨在通过对中国商业银行利率衍生品风险管理的理论和实证研究,强调中国商业银行利率衍生品风险管理的重要性,剖析中国商业银行利率衍生品风险管理存在的主要问题,以此为据提出相应的解决之策。具体研究内容分七个部分进行:第一部分内容是绪论,主要是从理论借鉴的角度出发,对问题提出的背景及研究目的,相关文献的研究现状,论文的研究思路、方法、对象界定、创新与不足等进行阐述和说明。第二部分内容是介绍利率衍生品风险管理的相关模型和方法,如VaR和CVaR风险度量模型及估计方法,矢量自回归模型,利率衍生品定价模型,奠定论文研究的模型、方法与基础。第三部分内容是商业银行利率衍生品发展状况及问题分析:包括利率衍生品概念界定、分类、特点及功能;国外利率衍生品发展及商业银行利率衍生品风险管理经验启示;国内利率衍生品发展历程及商业银行利率衍生品风险管理现状,并剖析存在的问题。第四部分内容是在剖析问题的基础上对中国商业银行利率衍生品的风险管理的相关问题作理论分析,包括商业银行利率衍生品风险的成因及一般传导路径等问题的分析,并针对中国商业银行利率衍生品使用的实际情况提出利率衍生品市场性风险、操作性风险和信用性风险的识别、估测、评价和管理的基本方法。第五部分内容是基于理论分析,进一步对市场上的以利率互换为代表的利率衍生品的市场性风险进行实证分析。主要是基于收集的相关公开数据,利用Matlab软件,通过VaR和CVaR理论模型及采用多种不同的方法,对利率衍生品应用过程中产生的市场性VaR和CVaR风险进行估测,计算出市场上的以利率互换为代表的利率衍生品产生的VaR和CVaR风险数值,并进行返回测试,对比出各种方法的优缺点,旨在研究得出Copula-GARCH-EVT-CVaR方法模型最适于中国商业银行建立利率衍生品市场性风险度量、压力测试和最优资产配置体系,同时给出了商业银行利率衍生品市场性风险管理的最优资产配置的相应计算过程,实现利率衍生品CVaR风险管理和收益最大化。第六部分内容是将第五部分Copula-GARCH-EVT-CVaR方法模型计算出的四种利率互换为代表的利率衍生品的CVaR风险数值导入到Eviews软件中,通过矢量自回归模型实证分析利率衍生品的CVaR风险对中国商业银行股票收益率的溢出效应,并得出利率衍生品的CVaR风险与商业银行股票收益率呈现负相关关系的结论,即降低利率衍生品的CVaR风险可以增加商业银行的股票收益率,旨在从侧面印证中国商业银行对于利率衍生品风险进行管理的实际意义和重要性。第七部分内容是结论、对策建议与研究展望。主要是结合前文理论与实证分析的结果进行总结,得出相应的结论,最后对比参考国际先进的管理经验,根据存在的问题和得出的结论提出相应的风险管理对策和建立风险管理体系,并提出研究展望。
荆帅[9]（2019）在《互联网金融对我国银行业系统性风险的影响研究》文中提出进入21世纪以来,互联网金融创新层出不穷,基于互联网技术的支付方式和投融资渠道创新对人们的日常生活、企业融资和金融机构发展都产生了不同程度的影响,其中互联网金融对于我国银行业的影响一直是人们热议的话题。互联网金融的出现,打破了我国商业银行长期以来在金融领域的垄断地位,对我国商业银行的资产业务、负债业务和中间业务均造成前所未有压力,商业银行不再是人们眼中“躺着赚钱的金融机构”。《中国金融稳定报告（2018）》曾指出,进入2018年后,中国金融环境面临的不确定性正在增加,中国经济体系中积累的周期性、体制机制性矛盾和风险正在水落石出,化解潜在的风险隐患需要付出一定成本,甚至经历一定阵痛,防范和化解重大风险的任务依然严峻。一方面是互联网金融对我国银行体系的深刻改变,另一方面是我国防范和化解重大金融风险的现实需要,使得研究我国互联网金融对银行业系统性风险的影响显得极具现实意义。本文主要从理论和实证两方面研究了互联网金融对我国银行业系统性风险的影响,并侧重分析其具体影响机制,以期为监管当局在互联网金融浪潮中防范银行业系统性风险的发生提供切实可行的建议。通过构建中介效应检验模型,发现互联网金融的发展会提高我国银行业整体的系统性风险水平,并主要通过造成商业银行业务结构的波动、资产质量的下降和利润空间的收窄使得银行业系统性风险提高。
段俊[10]（2019）在《基于极值理论与CoVaR模型的金融市场风险测度研究》文中认为近年来,随着全球金融市场联系日益紧密,金融资产间的关联程度更加密切,并且科技进步使信息的传递越来越快,信息网络已将资本市场融为一体,更易造成单一金融市场风险问题透过高度的市场联动效应而形成系统性风险。从拉美危机、美国的“黑色星期一”、日本股市危机、欧洲货币危机到墨西哥比索危机、亚洲金融风暴,再到美国“次贷危机”等,此类极端事件的发生都导致了全球资本市场的大幅剧烈波动,对世界经济金融发展造成了极大的破坏,致使众多金融类公司破产倒闭、实体经济陷入萧条。因此,在市场发达、投资渠道多元化的今天,金融风险管理尤为重要。金融风险管理是现代金融理论的核心内容之一。虽说金融风险管理的传统理论依托于VaR模型,并与相关金融波动模型和Copula理论相结合均取得了不错效果,但针对频繁发生的极端风险事件,应用此类组合方法所估计的精度有待进一步提高。随后研究人员在此基础上又引入极值理论,但总体效果仍有拓展空间。因此,如何更有效的测度金融市场风险,尤其对极端风险进行有效的管理成为金融机构和投资者日益关注的问题。目前,国内金融风险管理主要以借鉴和改进国外的相关风险管理理论与模型为主,以期提高相关金融主体的抗风险能力。由于金融市场的极端风险特征和金融资产的非线性相关性,本文在吸收现有相关理论和研究成果基础上,沿着金融风险测度这条主线,从单一资产到多元资产的风险测度,从VaR到CoVaR,通过引入分位数回归模型、典型事实的金融波动模型、极值理论以及Copula函数有机结合,从而构建更能反映金融市场波动特征的风险度量测度模型。因此,基于金融市场风险测量模型改进是本文的研究特色,其主要研究内容和创新性体现在以下几个方面:第一,基于分位数回归模型与极值理论的金融市场风险测度改进。首先应用QR-GARCH模型拟合金融资产收益率特征,在获取波动性和残差的基础上,引进EVT模型,最终构建基于QR-GARCH-EVT的极值风险测度模型。同时,引入分位数回归的CAViaR模型,构建基于CAViaR-EVT模型的极值风险测度模型。该类模型组合的优点主要体现在,分位数回归模型不用事先假定金融资产收益率的分布特征,统计特性良好;而且EVT模型更适合“厚尾”分布特征的高分位点预测,结果也比较稳定。因此,文章利用分位数回归模型和EVT模型的各自优点重新组合可以很好的对风险进行评估。第二,使用CoVaR方法度量中国石油期货市场和国内国外大宗商品期货市场的风险溢出强度和传导效应。从研究内容上看,现有的风险溢出效应研究重心更多的是关注证券市场,关于原油期货市场与相关资本市场的风险溢出效应研究不多,而针对在极端情况下的中国原油市场与其他大宗商品市场的风险溢出强度和传递研究涉及偏少。文章考虑原油期货市场的金融属性,通过改进GARCH族模型,应用Beta-Skew-t-EGARCH模型和EVT模型拟合其波动特征,并在此基础上,引入Copula函数刻画中国原油市场与国内外大宗商品期货市场的非线性相依结构,度量其在极端条件下的风险溢出效应,从而为投资者提供更加清晰的风险传染认知,以及为风险监管部门提供更加合理的决策指导依据。第三,基于CoVaR模型的投资组合风险测度改进。通过改进Markowitz的效率前沿,把引起个别标的资产收益率变动的因素纳入到系统性风险考量,应用CoVaR模型衡量系统性风险扩散,构建新的基于CoVaRMean-资产配置模型。该模型的主要优点是将风险扩散的效果纳入到投资资产组合优化的统一分析框架中,有助于降低资产配置组合的风险。
二、基于Bootstrap方法的风险度量模型及其实证分析——关于机构投资者风险度量方法的探讨（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、基于Bootstrap方法的风险度量模型及其实证分析——关于机构投资者风险度量方法的探讨（论文提纲范文）
（2）基于混频数据分析方法的金融风险测度研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 金融风险测度研究 |
| 1.2.2 广义分位数回归研究 |
| 1.2.3 混频数据分析研究 |
| 1.2.4 文献评述 |
| 1.3 研究内容和方法 |
| 1.3.1 研究内容 |
| 1.3.2 研究方法 |
| 1.4 主要创新与结构安排 |
| 1.4.1 主要创新 |
| 1.4.2 结构安排 |
| 第二章 金融风险管理相关理论、模型与方法 |
| 2.1 金融风险测度理论与方法 |
| 2.1.1 微观审慎监管和宏观审慎监管 |
| 2.1.2 微观审慎视角下的金融风险测度 |
| 2.1.3 宏观审慎视角下的金融风险测度 |
| 2.2 广义分位数回归模型与方法 |
| 2.2.1 经典分位数回归模型 |
| 2.2.2 Expectile回归模型 |
| 2.2.3 联合可导出回归模型 |
| 2.3 混频数据分析模型与方法 |
| 2.3.1 混频数据均值回归模型 |
| 2.3.2 混频数据波动率模型 |
| 2.4 本章小结 |
| 第三章 基于混频数据Expectile回归模型的VaR和ES测度研究 |
| 3.1 问题提出 |
| 3.2 混频数据Expectile回归模型构建 |
| 3.2.1 模型表示 |
| 3.2.2 参数选择 |
| 3.2.3 模型估计 |
| 3.2.4 风险测度 |
| 3.3 数值模拟 |
| 3.3.1 数据生成 |
| 3.3.2 实验过程 |
| 3.3.3 结果讨论 |
| 3.4 应用研究 |
| 3.4.1 数据选取与描述 |
| 3.4.2 模型估计 |
| 3.4.3 结果比较 |
| 3.5 本章小结 |
| 第四章 基于联合可导出混频数据模型的VaR和ES测度研究 |
| 4.1 问题提出 |
| 4.2 联合可导出混频数据模型构建 |
| 4.2.1 模型表示 |
| 4.2.2 参数选择 |
| 4.2.3 模型估计 |
| 4.3 数值模拟 |
| 4.3.1 数据生成 |
| 4.3.2 实验过程 |
| 4.3.3 结果讨论 |
| 4.4 应用研究 |
| 4.4.1 数据选取与描述 |
| 4.4.2 模型估计 |
| 4.4.3 结果讨论 |
| 4.5 本章小结 |
| 第五章 基于动态条件相关混频数据模型的CoVaR和CoES测度研究 |
| 5.1 问题提出 |
| 5.2 动态条件相关混频数据模型构建 |
| 5.2.1 模型表示 |
| 5.2.2 模型估计 |
| 5.2.3 风险测度 |
| 5.3 应用研究 |
| 5.3.1 数据选取与描述 |
| 5.3.2 模型比较 |
| 5.3.3 风险测度结果 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 研究总结 |
| 6.1.1 主要研究工作 |
| 6.1.2 主要研究结果 |
| 6.2 研究展望 |
| 6.2.1 高维变量选择问题研究 |
| 6.2.2 非线性混频数据模型研究 |
| 参考文献 |
| 攻读博士学位期间的学术活动及成果情况 |
（3）极端值模型研究及在风险度量中的应用（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景与选题意义 |
| 1.2 国内外研究现状 |
| 1.3 主要研究内容、创新点以及基本框架 |
| 1.3.1 主要研究内容 |
| 1.3.2 创新点 |
| 1.3.3 研究方法和技术路线 |
| 2 金融风险度量VaR |
| 2.1 VaR的定义 |
| 2.2 VaR的估计方法 |
| 2.2.1 参数方法 |
| 2.2.2 半参数方法 |
| 2.2.3 非参数方法 |
| 2.3 VaR的回测检验 |
| 3 EGARCH-CF模型 |
| 3.1 EGARCH-CF模型构建 |
| 3.2 基于EGARCH-CF模型的VaR度量 |
| 3.3 实证分析 |
| 3.3.1 数据来源 |
| 3.3.2 收益率序列统计特征 |
| 3.3.3 EGARCH模型拟合 |
| 3.3.4 基于EGARCH-CF模型的极端VaR值计算 |
| 4 POT-GGED模型 |
| 4.1 POT-GGED模型构建 |
| 4.2 基于POT-GGED模型的VaR度量 |
| 4.3 实证分析 |
| 4.3.1 数据来源 |
| 4.3.2 收益率序列统计特征 |
| 4.3.3 基于POT-GGED模型的极端VaR值度量 |
| 5 结论与展望 |
| 5.1 结论 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
| 个人简历、在学期间发表的学术论文及取得的研究成果 |
（4）可转债的风险度量及与股票间的溢出关系研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 选题背景和研究意义 |
| 1.2 文献综述 |
| 1.3 研究的问题、方法及论文结构 |
| 1.4 论文创新点和不足 |
| 第2章 论文理论基础 |
| 2.1 选题理论依据 |
| 2.2 一般的金融市场风险度量方法 |
| 2.3 VaR的主要估计方法 |
| 2.4 GARCH族模型评析 |
| 2.5 VAR模型简介 |
| 第3章 可转债的概况及存在的问题 |
| 3.1 可转债的概况 |
| 3.1.1 可转债的特点和优势 |
| 3.1.2 可转债的风险 |
| 3.1.3 可转债和股票之间的联系 |
| 3.2 我国可转债市场存在的问题和机遇 |
| 第4章 可转债风险度量的实证研究 |
| 4.1 样本采集及统计特征分析 |
| 4.2 GARCH族模型的建立 |
| 4.3 可转债的VaR值及回测检验 |
| 4.4 一致性风险度量指标CVaR |
| 4.5 实证结果及解释 |
| 第5章 可转债和股票之间溢出关系的实证研究 |
| 5.1 风险关系的一般统计分析 |
| 5.1.1 统计量对比分析 |
| 5.1.2 纳入虚拟变量的回归分析 |
| 5.2 溢出传导效应分析 |
| 5.2.1 变量平稳性检验 |
| 5.2.2 Johansen协整检验 |
| 5.2.3 Granger因果关系检验 |
| 5.2.4 建立VAR模型 |
| 5.2.5 脉冲响应函数 |
| 5.2.6 方差分解 |
| 5.3 实证结果及解释 |
| 第6章 结论、建议和展望 |
| 参考文献 |
| 致谢 |
（5）渐进开放环境下的中国资产与海外资产间风险传染研究 ——基于网络连通性分析方法（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 研究目标与内容 |
| 1.2.1 研究目标 |
| 1.2.2 研究内容 |
| 1.3 研究思路与方法 |
| 1.3.1 研究思路 |
| 1.3.2 研究方法 |
| 1.4 创新性与不足 |
| 第二章 文献综述 |
| 2.1 对系统性风险的研究 |
| 2.2 基于网络的风险传染研究 |
| 2.3 大类资产相关性研究 |
| 2.4 连通性研究的新进展 |
| 2.4.1 连通性的非对称性 |
| 2.4.2 连通性的频段差异 |
| 第三章 研究设计 |
| 3.1 总体研究方案设计 |
| 3.2 网络连通性研究 |
| 3.2.1 向量自回归(VAR)模型 |
| 3.2.2 广义方差分解方法 |
| 3.2.3 连通性表格 |
| 3.3 连通性的非对称性研究 |
| 3.4 连通性的频段研究 |
| 第四章 国外内大类资产间连通性的时变特征研究 |
| 4.1 数据描述性统计 |
| 4.2 国内外大类资产间静态连通性网络研究 |
| 4.3 国内外大类资产间动态连通性特征研究 |
| 4.4 危机期间的国内外大类资产间连通性网络研究 |
| 第五章 国内外大类资产间连通性的非对称性研究 |
| 5.1 国内外大类资产间连通性的非对称性的理论分析 |
| 5.2 数据描述性统计 |
| 5.3 国内外大类资产间连通性的非对称性的实证分析 |
| 第六章 国内外大类资产间连通性的频段研究 |
| 6.1 国内外大类资产间连通性频段的理论分析 |
| 6.2 国内外大类资产间连通性频段的实证分析 |
| 第七章 结论与展望 |
| 参考文献 |
| 致谢 |
| 附录A 网络连通性模型滚动窗口长度的稳健性检验 |
| 附录B 网络连通性模型估计结果的显着性检验 |
（6）金融风险度量的渐近方法研究及应用（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 选题背景及选题意义 |
| 1.2 国内外现状 |
| 1.3 主要研究内容、创新点以及基本框架 |
| 1.3.1 主要研究内容 |
| 1.3.2 创新点 |
| 1.3.3 基本结构 |
| 2 VaR和 ES的理论简介及传统方法 |
| 2.1 VaR和 ES理论简介 |
| 2.2 Bootstrap方法计算VaR和 ES |
| 2.3 VaR和 ES的参数估计 |
| 2.4 VaR和 ES的半参数估计 |
| 3 基于Edgeworth的风险度量渐近研究 |
| 3.1 校正Cornish-Fisher展开对VaR的渐近研究 |
| 3.2 基于Edgeworth展开对ES的渐近研究 |
| 3.3 随机模拟 |
| 3.4 本章小结 |
| 4 基于Saddlepoint的风险度量渐近研究 |
| 4.1 预备知识 |
| 4.1.1 Saddlepoint密度函数 |
| 4.1.2 Saddlepoint分布函数 |
| 4.1.3 Lugannani and Rice公式 |
| 4.2 反转Lugannani–Rice公式对VaR的渐近研究 |
| 4.3 基于Saddlepoint展开对ES的渐近研究 |
| 4.4 模拟计算 |
| 4.5 实证分析 |
| 4.6 本章小结 |
| 5 结论与展望 |
| 5.1 结论 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 |
| 附录1 |
| 附录2 |
| 个人简历、在学期间发表的学术论文及取得的研究成果 |
（7）基于高频数据的已实现波动率模型研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 论文的研究背景 |
| 1.2 问题的提出 |
| 1.2.1 基于高频数据的波动率度量研究 |
| 1.2.2 基于高频数据的波动率预测模型研究 |
| 1.3 选题的意义 |
| 1.4 论文的结构与创新 |
| 1.4.1 本文内容结构 |
| 1.4.2 本文的创新点 |
| 第二章 国内外文献综述 |
| 2.1 波动率度量问题的文献综述 |
| 2.2 波动率预测问题的文献综述 |
| 2.2.1 波动率预测模型的文献综述 |
| 2.2.2 考虑微观结构噪音的波动率预测的文献综述 |
| 2.2.3 资产价格波动率序列跳跃过程文献综述 |
| 2.3 基于波动率的风险刻画问题的文献综述 |
| 2.4 文献评述 |
| 第三章 截断的双尺度已实现波动率估计量 |
| 3.1 非参数波动率测度的理论框架 |
| 3.2 考虑跳跃过程和市场微观结构噪声的已实现波动率 |
| 3.3 跳跃过程的门槛截断方法 |
| 3.4 截断的双尺度已实现波动率估计量的统计性质 |
| 3.5 截断的双尺度已实现波动率估计量的模拟研究 |
| 3.6 本章小结 |
| 第四章 已实现波动率模型研究:基于截断的双尺度已实现波动率 |
| 4.1 跳跃过程的准确刻画 |
| 4.2 基于截断双尺度已实现波动率的波动率预测模型 |
| 4.2.1 已实现波动率预测模型的演变过程 |
| 4.2.2 异质自回归已实现波动率模型(HAR-RV) |
| 4.2.3 基于截断双尺度已实现波动率(TTSRV)的已实现波动率模型 |
| 4.3 基于TTSRV的波动率预测模型实证研究 |
| 4.3.1 样本数据来源说明及统计性描述 |
| 4.3.2 样本外滚动时间窗口技术及波动率模型评价比较方法 |
| 4.3.3 基于TTSRV的已实现波动率预测模型样本内估计 |
| 4.3.4 基于TTSRV的已实现波动率预测模型样本外预测能力 |
| 4.3.5 考虑隔夜回报、杠杆效应和测量误差的样本外预测能力 |
| 4.4 本章小结 |
| 第五章 已实现波动率模型研究:基于融资融券约束 |
| 5.1 流动性冲击视角下的跳跃过程 |
| 5.2 一个重要的流动性因素:融资融券约束 |
| 5.2.1 我国资本市场融资融券业务发展历程 |
| 5.2.2 融资融券约束对于波动率的影响 |
| 5.2.3 有效度量融资融券约束 |
| 5.3 基于融资融券约束的已实现波动率模型 |
| 5.4 基于融资融券约束的波动率预测模型实证研究 |
| 5.4.1 融资融券约束指标描述性统计 |
| 5.4.2 基于融资融券约束的波动率预测模型样本内预测 |
| 5.4.3 基于融资融券约束的波动率预测模型样本外预测 |
| 5.4.4 基于融资融券约束的波动率预测模型稳健性检验 |
| 5.5 本章小结 |
| 第六章 动态多模型已实现波动率研究 |
| 6.1 动态时变的已实现波动率预测模型 |
| 6.2 贝叶斯模型平均(BMA) |
| 6.2.1 两模型BMA原理 |
| 6.2.2 多模型BMA原理 |
| 6.2.3 BMA方法在金融领域的应用 |
| 6.3 动态模型平均(DMA)方法及其改进方法(ADMA) |
| 6.3.1 动态时变模型(TVP)的迭代 |
| 6.3.2 动态平均建模(DMA)方法 |
| 6.3.3 调整后的动态平均建模(ADMA)方法 |
| 6.4 动态时变的已实现波动率预测模型实证研究 |
| 6.5 动态时变的已实现波动率预测模型稳健性检验 |
| 6.6 本章小结 |
| 第七章 基于高频数据的已实现波动率尾部风险测度研究 |
| 7.1 系统性金融风险的度量与管理 |
| 7.2 沪深300 现货与期货市场的投资者结构与市场风险传导机理 |
| 7.3 VaR和 CoVaR的基本原理 |
| 7.3.1 VaR度量的经典方法 |
| 7.3.2 基于高频价格波动的VaR方法 |
| 7.3.3 基于极值理论(EVT)和已实现波动率(RV)的RV-EVT模型 |
| 7.3.4 基于高频价格波动的CoVaR方法 |
| 7.4 实证分析 |
| 7.4.1 样本数据获取及统计特征分析 |
| 7.4.2 沪深300 股指期货市场风险的实证结果分析 |
| 7.4.3 基于RV-EVT框架下的尾部风险度量 |
| 7.4.4 基于CoVaR的沪深300 股指现货与期货市场的风险溢出效应 |
| 7.5 本章小结 |
| 第八章 总结与展望 |
| 8.1 论文总结 |
| 8.2 研究展望 |
| 附录1 |
| 参考文献 |
| 发表论文和参加科研情况说明 |
| 致谢 |
（8）中国商业银行利率衍生品风险管理研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景、目的及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究目的及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.2.3 文献综评 |
| 1.3 研究的基本思路与方法 |
| 1.3.1 研究的基本思路 |
| 1.3.2 研究方法 |
| 1.4 研究对象的界定 |
| 1.5 创新与不足 |
| 1.5.1 创新之处 |
| 1.5.2 不足之处 |
| 第2章 商业银行利率衍生品风险管理模型及方法 |
| 2.1 VaR和CVaR风险度量模型及估计方法 |
| 2.1.1 VaR和CVaR风险度量模型 |
| 2.1.2 VaR和CVaR模型的估计方法 |
| 2.2 矢量自回归模型 |
| 2.3 利率衍生品定价模型 |
| 2.4 本章小结 |
| 第3章 商业银行利率衍生品的发展与管理问题分析 |
| 3.1 利率衍生品的概念、分类、特点及功能 |
| 3.1.1 利率衍生品概念 |
| 3.1.2 利率衍生品分类及特点 |
| 3.1.3 利率衍生品的功能 |
| 3.2 国外利率衍生品的发展与管理经验启示 |
| 3.2.1 国外利率衍生品的发展 |
| 3.2.2 管理经验启示 |
| 3.3 国内利率衍生品的发展与问题分析 |
| 3.3.1 利率衍生品的发展 |
| 3.3.2 商业银行利率衍生品风险管理现状 |
| 3.3.3 问题分析 |
| 3.4 本章小结 |
| 第4章 商业银行利率衍生品风险管理的理论分析 |
| 4.1 商业银行利率衍生品风险及其成因分析 |
| 4.1.1 利率衍生品风险种类及特点 |
| 4.1.2 利率衍生品风险成因分析 |
| 4.2 商业银行利率衍生品风险的一般传导路径 |
| 4.3 商业银行利率衍生品风险的识别与防范 |
| 4.3.1 风险识别 |
| 4.3.2 风险估测 |
| 4.3.3 风险评价和管理 |
| 4.4 本章小结 |
| 第5章 利率衍生品市场性VaR和CVaR风险实证分析 |
| 5.1 模型及风险估计方法选取 |
| 5.2 样本选取与数据处理 |
| 5.3 VaR和CVaR风险计量模型构建 |
| 5.4 实证结果呈现及分析 |
| 5.5 本章小结 |
| 第6章 CVaR风险对商业银行股票收益率溢出效应的实证分析 |
| 6.1 模型及拟合方法选取 |
| 6.2 样本选取与数据处理 |
| 6.3 矢量自回归模型构建 |
| 6.4 实证结果呈现及分析 |
| 6.5 本章小结 |
| 第7章 结论、对策与研究展望 |
| 7.1 研究结论 |
| 7.2 对策 |
| 7.3 研究展望 |
| 附录 |
| 参考文献 |
| 致谢 |
| 攻读博士学位期间取得的科研成果 |
（9）互联网金融对我国银行业系统性风险的影响研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外文献综述 |
| 1.2.1 相关概念界定 |
| 1.2.2 银行业系统性风险的度量方法研究 |
| 1.2.3 互联网金融对商业银行风险的影响研究 |
| 1.2.4 国内外研究评述 |
| 1.3 研究内容及方法 |
| 1.3.1 研究内容 |
| 1.3.2 研究方法 |
| 1.4 论文创新之处 |
| 1.5 论文整体框架 |
| 第2章 我国互联网金融发展现状分析 |
| 2.1 我国互联网金融的主要形态 |
| 2.1.1 第三方支付 |
| 2.1.2 P2P网络借贷 |
| 2.1.3 众筹融资 |
| 2.2 我国互联网金融的风险分析 |
| 2.2.1 信用风险 |
| 2.2.2 流动性风险 |
| 2.2.3 法律合规风险 |
| 2.2.4 技术风险 |
| 2.3 我国互联网金融的监管实践 |
| 2.3.1 我国互联网金融的监管历程 |
| 2.3.2 我国互联网金融监管存在的问题 |
| 2.4 小结 |
| 第3章 我国银行业系统性风险状况分析 |
| 3.1 我国银行业系统性风险的特点 |
| 3.1.1 传染扩散性 |
| 3.1.2 隐匿积累性 |
| 3.1.3 负外部性 |
| 3.2 我国银行业系统性风险的度量及分析 |
| 3.2.1 动态CoVaR模型及分位数回归方法 |
| 3.2.2 样本数据及变量选择 |
| 3.2.3 测度结果及分析 |
| 3.3 小结 |
| 第4章 互联网金融对银行业系统性风险影响的理论分析 |
| 4.1 业务结构分析 |
| 4.1.1 负债业务 |
| 4.1.2 资产业务 |
| 4.1.3 中间业务 |
| 4.2 资产质量分析 |
| 4.2.1 互联网金融的信用风险溢出 |
| 4.2.2 商业银行的冒险行为 |
| 4.3 利润空间分析 |
| 4.4 小结 |
| 第5章 互联网金融对银行业系统性风险影响的实证分析 |
| 5.1 研究假设的提出 |
| 5.1.1 业务结构 |
| 5.1.2 资产质量 |
| 5.1.3 利润空间 |
| 5.2 变量选取与模型构建 |
| 5.2.1 样本与数据来源 |
| 5.2.2 变量设定与分析 |
| 5.2.3 回归模型构建 |
| 5.3 实证研究与结果分析 |
| 5.3.1 描述性统计 |
| 5.3.2 平稳性检验 |
| 5.3.3 回归结果与分析 |
| 5.4 防范与化解银行业系统性风险的对策与建议 |
| 5.4.1 对商业银行的建议 |
| 5.4.2 对监管当局的建议 |
| 5.5 小结 |
| 第6章 结论与展望 |
| 6.1 研究结论 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间发表的论文和其他科研情况 |
（10）基于极值理论与CoVaR模型的金融市场风险测度研究（论文提纲范文）
| 中文摘要 |
| 英文摘要 |
| 1 绪论 |
| 1.1 选题背景 |
| 1.2 研究意义 |
| 1.3 金融市场风险测度的核心概念界定 |
| 1.3.1 CoVaR模型 |
| 1.3.2 金融波动模型 |
| 1.3.3 极值理论 |
| 1.3.4 Copula理论 |
| 1.4 研究目的与研究内容 |
| 1.4.1 研究目的 |
| 1.4.2 研究内容 |
| 1.5 研究方法与技术路线 |
| 1.5.1 研究方法 |
| 1.5.2 技术路线 |
| 1.6 研究贡献与创新之处 |
| 1.6.1 研究贡献 |
| 1.6.2 创新之处 |
| 2 金融市场风险测度相关理论基础 |
| 2.1 金融风险测度理论 |
| 2.1.1 VaR理论 |
| 2.1.2 CoVaR理论 |
| 2.2 金融波动理论 |
| 2.2.1 线性ARCH模型 |
| 2.2.2 GARCH模型 |
| 2.3 极值理论 |
| 2.3.1 BMM模型及估计 |
| 2.3.2 POT模型 |
| 2.4 Copula理论 |
| 2.4.1 Copula函数的参数估计 |
| 2.4.2 Copula函数的检验 |
| 2.5 小结 |
| 3 文献综述 |
| 3.1 国内外关于金融市场风险测度的研究综述 |
| 3.1.1 ARCH族模型的应用研究 |
| 3.1.2 CoVaR风险溢出效应的研究综述 |
| 3.2 极值理论在金融市场风险测度中的研究综述 |
| 3.3 Copula理论在金融市场风险测度中的研究综述 |
| 3.4 文献述评 |
| 4 基于极值理论与分位数回归模型的金融市场风险测度研究 |
| 4.1 问题提出 |
| 4.2 基于QR-GARCH-EVT模型的金融风险测度研究 |
| 4.2.1 Va R模型 |
| 4.2.2 QR-GARCH模型 |
| 4.2.3 QR-GARCH-EVT模型构建 |
| 4.2.4 QR-GARCH-EVT模型检验 |
| 4.3 基于CAViaR-EVT模型极值风险测度研究 |
| 4.3.1 分位数回归CAViaR模型 |
| 4.3.2 CAViaR-EVT-VaR模型 |
| 4.3.3 CAViaR-EVT-VaR实证检验 |
| 4.4 小结 |
| 5 基于Copula-EVT-CoVaR模型的金融市场风险测度研究 |
| 5.1 问题提出 |
| 5.2 基于Copula-EVT-CoVaR模型的金融风险测度研究 |
| 5.2.1 Copula-EVT-CoVaR模型构建 |
| 5.2.2 Copula-EVT-CoVaR模型的实证检验 |
| 5.3 小结 |
| 6 基于Copula-GH-CoVaR模型的金融市场风险测度研究 |
| 6.1 问题提出 |
| 6.2 基于Copula-GH-CoVaR模型的金融市场风险测度研究 |
| 6.2.1 Copula-GH-CoVaR模型构建 |
| 6.2.2 Copula-GH-CoVaR模型估计与检验 |
| 6.3 小结 |
| 7 基于Mean-CoVaR模型的投资组合风险测度研究 |
| 7.1 问题提出 |
| 7.2 Mean-CoVaR模型构建及估计 |
| 7.3 基于Mean-CoVaR模型实证研究 |
| 7.3.1 数据来源及描述性统计 |
| 7.3.2 Mean-CoVaR模型估计 |
| 7.3.3 实证检验结果比较 |
| 7.4 小结 |
| 8 研究结论及展望 |
| 8.1 研究结论 |
| 8.2 展望 |
| 参考文献 |
| 附录 |
| A.作者在攻读博士学位期间发表的文章 |
| B.作者在攻读博士学位期间参与研究的课题 |
| C.学位论文数据集 |
| 致谢 |
四、基于Bootstrap方法的风险度量模型及其实证分析——关于机构投资者风险度量方法的探讨（论文参考文献）
- [1]基于GARCH族模型和MCS检验的上海原油期货市场风险度量研究[D]. 司晓丽. 南京林业大学, 2021
- [2]基于混频数据分析方法的金融风险测度研究[D]. 陈璐. 合肥工业大学, 2021
- [3]极端值模型研究及在风险度量中的应用[D]. 王雪. 重庆理工大学, 2021(02)
- [4]可转债的风险度量及与股票间的溢出关系研究[D]. 胡耀华. 苏州大学, 2020(03)
- [5]渐进开放环境下的中国资产与海外资产间风险传染研究 ——基于网络连通性分析方法[D]. 孙闻聪. 南京大学, 2020(02)
- [6]金融风险度量的渐近方法研究及应用[D]. 李乔. 重庆理工大学, 2020(08)
- [7]基于高频数据的已实现波动率模型研究[D]. 平原. 上海交通大学, 2019(01)
- [8]中国商业银行利率衍生品风险管理研究[D]. 周威皓. 辽宁大学, 2019(12)
- [9]互联网金融对我国银行业系统性风险的影响研究[D]. 荆帅. 山西财经大学, 2019(01)
- [10]基于极值理论与CoVaR模型的金融市场风险测度研究[D]. 段俊. 重庆大学, 2019(09)