中国股市整合风险测度,本论文主要论述了测度论文范文相关的参考文献,对您的论文写作有参考作用。
测度论文参考文献：
摘 要：针对现有流动性风险与市场风险的整合风险测度方法忽略两者相关结构的问题,在运用ARMA-GARCH-t模型对中国股市市场风险因子和流动性风险因子的边缘分布进行刻画的基础上,引入7种Copula函数来考察两者的相关结构,并运用Monte Carlo方法测度出整合风险.以沪深300指数为研究对象的实证检验结果表明：中国股市市场风险与流动性风险之间更符合动态的相关结构；在考虑了两风险的相关结构之后,基于时变t Copula函数的风险测度模型最能准确测度两风险的整合风险.
关 键 词：整合风险；流动性风险；市场风险；Copula函数；蒙特卡洛模拟
中图分类号：F830.9 文献标识码：A 文章编号：1006-3544（2015）02-0054-08
一、文献综述
美国次贷危机、欧洲债务危机等一系列金融风险事件的爆发,使得流动性风险成为继市场风险之后学者及风险管理者关注的焦点.对流动性风险进行管理已成为金融风险管理者不得不面对的事情,而且,在市场缺乏流动性的情况下,流动性风险能够显著增大市场风险,加剧市场波动 [1] .因此,如何加强对流动性风险的管理,尤其是加强对流动性风险与市场风险整合风险的管理,成为投资者及金融风险管理者亟待解决的问题.
目前,虽然VaR技术已经成为测度市场风险的通用方法,并被广泛运用于实践,但是如何准确测度市场风险与流动性风险的整合风险还没有一个被广泛认可的方法.尽管如此,由Bangia et al提出的基于价差调整VaR的BDSS模型 [2] ,即在传统市场风险上加上由价差测得的流动性风险, 成为当前学者在研究流动性风险与市场风险的整合风险时较多采纳的模型. 该模型不仅测度了市场风险的VaR值,更为重要的是, 它在传统市场风险的基础上考虑了流动性风险的影响,从而更为全面、综合地反映了投资者及风险管理者所面临的风险. 正是BDSS模型的这些优点, 其一经提出就受到诸多学者的关注并在其基础上进行扩展研究, 如Angelidis et al [3] 及刘晓星等 [4] .然而,不可忽视的是,虽然BDSS模型整合了流动性风险与市场风险, 但仅是将两者简单地相加, 而这种方法只能在流动性风险与市场风险完全正相关的情况下才能成立 [5] .遗憾的是,这种将两类风险假定为完全正相关的假设过于简单,而现实中的情况却更为复杂 [1][5] ,因而BDSS模型并不能完全准确地反映出市场风险与流动性风险之间的相关结构.值得庆幸的是,这种复杂的相关结构能够用一个合适的Copula函数来准确描述 [6][7] .于是,本文引入Copula函数来刻画流动性风险与市场风险之间的相关结构,进而准确测度两者的整合风险.
然而,选择何种Copula函数来描述中国股市流动性风险与市场风险之间的相关结构, 不同的学者有不同的看法.张金清等认为运用静态的正态Copula函数就能准确刻画市场风险与流动性风险之间的相关结构；然而,张蕊等则认为运用Frank Copula函数才能够准确刻画市场风险与流动性风险之间的相关结构； 江红莉等则认为时变的Copula函数（Time-varying Copula）比静态的Copula函数更能准确刻画流动性风险与市场风险之间的相关结构[8] .因此,为准确刻画中国股市流动性风险与市场风险之间的相关结构,本文将学者们较常运用的5种静态Copula函数以及时变的正态Copula函数和时变t Copula函数用于考察流动性风险与市场风险的相关结构,并试图找出能准确描述中国股市流动性风险与市场风险相关结构的最优Copula函数,以便运用蒙特卡洛（Monte Carlo）模拟方法来拟合整合风险的分布,进而准确测度整合风险的VaR值.
需指出的是,流动性风险因子的选择对于准确刻画流动性风险与市场风险相关结构有着重要影响 [5] .目前,对于流动性风险的刻画因子也并没有一个统一的指标,如张金清等运用单位换手率引起的每股交易价格变化率作为流动性风险因子；而张蕊等则选用的是相对价差指标； 张铮等研究得出,Amihud指标是较优的低频流动性间接指标[9] .然而,Andreas及王明涛等指出,Amihud指标没有考虑资产流通盘的大小,从而容易受到资产流通总额的影响,并建议运用日换手率来代替原指标中的成交金额, 并且指出修正过后的Amihud指标是一个较好的流动性指标 [10][11] .因此,本文选择修正后的Amihud指标作为流动性风险因子.
毋庸置疑,模型的稳健性检验作为风险测度的重要环节,关系到风险管理的成败.然而,以往学者在对整合风险测度模型的稳健性进行评价时都是以失败率作为评价模型的标准 [1][4] ,而忽略了模型失败情况的随机性.作为风险管理者,除了要保证风险测度的准确性之外, 还要避免出现连续发生风险溢出的情况,即风险的溢出情况尽可能是独立的 [12] .因而,若仅以失败率作为评价模型稳健性的标准可能缺乏严谨.于是,本文运用既检验模型预测失败率与假定失败率是否一致,又检验失败情况是否具有随机性的Kupiec [13] 和Christofersen [14] 返回测试（Back-testing）方法对模型的稳健性进行检验,以使检验结果更具有科学性和可信性.
基于以上分析, 本文选择修正后的Amihud指标作为流动性风险的风险因子, 并选用5种静态Copula函数和2种时变Copula函数来刻画其与市场风险因子之间的相关结构； 进而运用蒙特卡洛模拟法, 模拟出既符合两风险相关结构特征又具有原市场风险因子及流动性风险因子特征的随机数并得到整合风险的分布情况, 进而测度出整合风险的VaR值； 最后运用规范的Back-testing检验方法对模型的稳健性进行检验.
最后,仍需指出的是,虽然已有诸多学者（如,Bangia et al、Angelidis et al、 Loebnitz [15] 、刘晓星等以及林辉 [16] ）研究了市场风险与流动性风险的整合风险,并证实了在测度金融市场风险时不仅不能忽略流动性风险,而且当市场缺乏流动性时,流动性风险的增大,往往伴随着市场风险也显著增大.但是,他们的研究并没有阐明市场风险与流动性风险之间的相关结构.虽然,张金清等、张蕊等以及江红莉等运用Copula函数考察了市场风险与流动性风险的相关结构,但是,他们的研究限于单一地运用静态模型或是时变模型,具有一定的片面性,而本文则是将静态模型和时变模型一并纳入考虑, 更全面地考察中国股市市场风险与流动性风险之间的相关结构.同时与前人研究选取相对价差作为流动性风险因子不同的是, 本文引入较好的低频流动性指标——修正后的Amihud指标作为流动性风险的风险因子；而且更为重要的是,本文对模型的稳健性检验,并没有把以往学者采用的失败率作为模型稳健性的评价标准, 而是采用规范的Back-testing方法对模型的稳健性进行检验.
结论：大学硕士与本科测度毕业论文开题报告范文和相关优秀学术职称论文参考文献资料下载，关于免费教你怎么写测度读音方面论文范文。
中国企业跨国并购后整合风险
摘要：本文首先介绍了中国跨国公司并购的发展现状，简单分析了并购的特点，总结出跨国并购成功率之所以不高，主要是由于企业并购过程当中的风险。然后对最。
中国股市动荡原因与政府救市措施总结与建议
摘要：2015年是股市较为动荡的一年，在经历了前半年的“牛市”之后，6月份下旬开始，各项指标急剧恶化，上证指数由5000点一路跌至3000点。本。
中国股市分析股市流动性和宏观经济关系
摘要：随着我国进行改革开放，国民经济迅速发展，股市在我国也得到了发展。金融行业与宏观经济之间的联系也越来越密切。中国股市的市场的发展，逐渐在经济。
中国互联网企业风险内控管理
摘要：随着经济的不断发展，互联网企业也在不断的发展当中，这也说明企业在发展过程中也会遇到许多的问题，因此如何有效的规避发展过程中遇到的风险，及时。