一、一种新的动态一致性风险度量DCVaR（论文文献综述）
孔垂柳[1]（2020）在《次线性算子和凸算子下最优估计问题的研究》文中提出在经典的概率论框架下,正交投影定理告诉我们被估计变量的条件期望就是关于它最小均方估计问题的最优解。正是基于正交投影定理,Kalman[47],Kalman和Bucy[46]首次完整地给出了线性高斯系统下的滤波方程,从而奠定了现代滤波理论的基础。此外,Bensoussan[8],Liptser和Shiryeav[51]等进一步完整地介绍和推广了 Kalman-Bucy滤波的理论结果。因此,正是基于如此完整的滤波理论体系,在不同领域中一系列部分观测（或部分信息）下随机最优控制问题才能得以解决。进一步地,如果我们将期望算子替换为次线性算子或者凸算子,那么此时我们应该如何得到次线性算子（或凸算子）下的最小二乘估计问题的最优解,并且该最优解是否仍然与条件一致风险测度和条件g-期望保持一致?这是个很有意义的问题。最近,Sun和Ji[74]研究了次线性算子下有界随机变量的最小均方估计问题。但是,这个结果限定在有界空间,在应用中有一定的局限性。因此,我们将这个结果推广到了可积空间,从而探讨随机领域中的问题。本文主要研究了次线性算子和凸算子下最小均方估计问题、次线性算子下状态方程带模糊的Kalman-Bucy滤波问题和观测方程带模糊的Kalman-Bucy滤波问题、凸算子下系统带模糊的Kalman-Bucy滤波问题。本文分为六章,其中第一章为研究背景和预备知识,第二章到第六章的研究内容概括如下。论文的第二章:本章主要研究了次线性算子下非有界随机变量的最小均方估计问题。在温和的假设条件下,我们得到了非有界随机变量的最小均方估计元的存在性和唯一性定理和最小均方估计元的一些基本的性质。并且给出三个例子说明最小均方估计元不同于条件一致风险测度和条件g-期望。本章的创新点在于删除了 Sun和Ji[74]中有界性的假设,提出一种新的证明思路解决次线性算子下可积随机变量的最小均方估计问题,并且得到可积随机变量的最小均方估计元的存在性和唯一性定理,同时也给出了最小均方估计元的一些性质。论文的第三章:本章主要研究了一个模型不确定性下广义的Kalman-Bucy滤波模型和相应的稳健估计问题,其中模糊参数θ主要影响到状态方程。我们发现这个稳健估计问题可以等价地看作是一个次线性算子下的估计问题。由Girsanov变换和最小最大值定理,我们证明这个稳健估计问题可以被重新构造成一个在新的概率测度下的Kalman-Bucy滤波问题。在本章中我们得到了最优估计元的滤波方程。此外,在特殊的条件下,我们证明了该最优估计元可以被分为两部分,其中一部分是经典情况下的滤波方程,另外一部分包含了最优的模糊参数θ*。这个结果有助于解释模糊参数是如何影响最优估计元的演变。本章的创新点在于将漂移项模糊引入经典的Kalman-Bucy模型中,那么相应的估计问题（?）就变为一个稳健估计问题（?）。根据证明的定理3.1,我们找到最优的模糊参数θast,这有助于我们将问题（?）中的两个非线性元素sup inf退化为一个非线性元素inf,并最终得到最优估计元x满足的滤波方程。论文的第四章:本章主要考虑了一个模型不确定性下的广义的Kalman-Bucy滤波模型和与之对应的稳健估计问题。在本章中,模型不确定参数θ主要影响到观测方程。我们之所以这么构建模型主要是基于Ji,Li和Miao[37]所考虑的一个动态合约问题,在他x所考虑的模型中,一个项目的可以被观测到的累计产出方程中含有不确定参数a和η。对模型更直观的解释为:不同的观测者对信号过程的衡量标准是不同的。这样就会导致模型不确定性。因此,我们考虑这个广义的Kalman-Bucy滤波模型是有意义的。我们同样是将该稳健估计问题等价的看作是在一个次线性算子下的估计问题,转而求解这样一个次线性算子下的最小均方估计问题并得到最优估计元的刻画方程。同样地,在特殊条件下,该最优估计元可以被分解为两部分,其中一部分是经典情况下的滤波方程,另外一部分包含了最优的模糊参数θ*。这个结果有助于解释模糊参数是如何影响最优估计元的演变。论文的第五章:在第五章,我们研究了凸算子下有界随机变量的最小均方估计元的存在性和唯一性的问题。本章的创新点在于考虑到次线性算子应用的局限性,我们将次线性算子下的最小均方估计元的理论推广到凸算子下。由于凸算子缺少正齐次性,因此这就导致凸算子的表达式相较于次线性算子会多出一个惩罚项。本章的内容区别于Sun和Ji[74]的主要地方在于如何处理这个惩罚项。最终我们得到凸算子下有界随机变量的最小均方估计元的存在性和唯一性定理以及最小均方估计元的性质。论文的第六章:本章的一个创新点在于将倒向随机微分方程的相关理论和Kalman-Bucy滤波理论相结合,将经典的滤波问题推广为一个关于信号过程的稳健估计问题,该问题也可以看作是在一个凸算子下的最小均方估计问题,我们最终得到了信号过程的最小均方估计元满足的微分方程（即滤波方程）。此外,在上一章中,我们研究了凸算子下有界随机变量的最小均方估计元的存在性和唯一性的问题。在本章中,另一个创新点在于我们将相应的存在性和唯一性结果推广到可积空间中,即得到了凸算子下可积随机变量的条件期望的定义。由于凸算子缺少正齐次性,因此这就导致凸算子的表示相较于次线性算子会多出一个惩罚项。本章的内容区别于第一章的主要地方在于如何处理这个惩罚项。论文的第七章:在本章中,我们在随机控制的角度下重新构建了第三章中的稳健估计问题,使之变成一个零和的正倒向随机微分博弈问题。其中代价泛函定义为:J（a,b-,θ）=E[Y（a,b;θ）（0）]=Y（a,b;θ）（0）,（1）状态变量（ζ（.）,Y（.））满足:其中K（t）是一致有界的,确定性的函数,（a（t）,b（t）;θ（t））是控制变量。令AZ（1）={（a,b）|a（t）和b（t）是Zt-可测的过程并且属于LZt2（0,T;Rn）和LZt2（0,T;Rn×m）},A（2）={θ|θ（t）是Ft-可测的过程使得|θ（t）|θ（t）| ≤ μ}.定义0.1.如果（a,b;θ）∈AZ（1）× AF（2）,那么我们称控制变量（a,b;θ）是允许的。定义哈密顿函数H（t,ζ,Y,Z1,Z2,a,b,θ,l,n2,λ）H（t,ζ,Y,Z1,Z2,a,b,θ,l,n2,λ）=l（t）（a（t）+b（t）G（t）∈（t））+λ（t）（-θ（t）Z1（t）（3）-K（t）（x（t）-ζ（t））2）+b（t）n2（t）,和伴随方程:应用凸变分的技术,我们得到如下最大值原理:定理0.1.令假设4成立。假设（a（.）,b（.）;θ（.））是问题（1）的一个鞍点,并且（ζ（.）,Y（.）,Z1（·）,Z2（·））是相应的状态轨迹。那么,我们有E[Ha（t,ζ,Y,Z1,Z2,a,b,θ,l,n2,λ）|Zt]=0,E[Hb（t,ζ,Y,Z1,Z2,a,b,θ,l,n2,λ）|Zt]=0,（6）E[Hθ（t,ζ,Y,Z1,Z2,a,b,θ,l,n2,λ）|Ft]=0其中（l（.）,n1（·）,n2（.））和λ（.）是伴随方程（4）-（5）的解。
沙静慧[2]（2020）在《非线性期望理论及其在风险度量中的应用》文中研究表明随着各国经济的发展,国际间交流的日益频繁,股票、基金、期货等金融产品及其衍生品的交易数量和交易频率呈现指数级别的增长,这使得国内国际之间的金融关系网更加的复杂。而金融产品由于不确定性,导致我们无法在某一时刻准确衡量其价值,由此带来不可忽视的风险。且金融风险对各国经济的影响程度不断的扩大、冲击速度也进一步加快。因此依据市场数据构建适当的模型计算相应的参数对金融风险进行合理有效的度量对经济安全平稳的增长有着十分重大的意义。早期对金融风险进行测量的模型比较着名的有马科维兹的均值方差模型。由于均值方差模型需要在较严格的假设条件下才能进行度量,这与现实金融市场的情况不太符合。随后,VaR模型提出并运用到风险度量中。VaR模型是利用给定置信度来求资产组合损失分布函数的分位数,即可能的最大损失。但VaR模型也有一些不可忽视的缺陷,例如它不满足次可加性,即资产组合的风险不一定小于单个资产的风险之和,这与金融市场上的分散投资来降低风险的理论相悖。其后,Artzner等人提出了一致性风险度量理论,有效解决了金融市场上分散投资的度量问题。随后一系列满足特定市场情况的风险度量模型,如:CVaR模型、ES模型、扭曲风险度量模型和谱风险度量模型等得到了较快的发展,并且逐步建立了较为合理有效的风险度量模型体系。但金融市场复杂多变,金融风险分布并不一定满足传统概率统计的模型,这意味着我们对于所面临的风险并不能用传统的线性期望理论去衡量。由此学者们积极探索在非线性期望和非可加测度的框架下对金融市场的不确定性进行度量。本文基于非线性期望理论框架来研究金融市场上有关的风险度量问题。本文主要分为以下四个部分:第一章主要是对风险度量理论和非线性期望理论的发展历程做了简要的回顾。风险度量理论开始是在线性期望理论的框架下讨论了均值方差模型、VaR模型以及VaR模型的变式,之后发展到在非线性期望的框架下讨论定义风险度量模型及其相关性质。第二章主要介绍了 Choquet积分以及在Choquet积分下定义的保费定价函数。本章首先给出了容度及Choquet积分的相关定义以及性质,其次在保费定价函数所需满足的五点条件下证明了存在非降扭曲函数g使得风险X的保费可以用Choquet.积分来定义,之后证明了当扭曲函数g是凹扭曲函数时,基于Choquet积分的保费定价函数满足一致性风险度量。第三章首先介绍了 g-期望和条件g-期望的生成条件,以及其相关性质。随后我们先证明了当生成元g满足凸性时,由g-期望构造的风险度量是凸风险度量;当生成元g满足凸性和正的齐次性时,由g-期望构造的风险度量是一致性风险度量。其后证明了利用条件g-期望可以构造动态相容的风险度量,说明能够通过条件g-期望及g-期望构造动态的一致性风险度量及凸风险度量,揭示了g-期望及条件g-期望在风险度量中的重要性。第四章首先给出了 G-期望的定义以及其相关性质的证明。其后证明了基于G-热方程生成的G-正态分布与在次线性期望空间上生成的G-正态分布是等价的。之后给出了利用G-期望定义的VaR模型,且证明其在非线性期望条件下是满足一致性风险度量,并利用G-正态分布、大数定理和中心极限定理给出了包含不确定性的VaR模型的解区间。第五章主要对前三章的内容做了一个概括和总结。
袁春玲[3]（2019）在《基于ARMA-GARCH模型族的我国香港地区房地产信托基金的市场风险实证分析》文中研究指明近年来,我国房地产信贷政策不断紧缩,迫使房地产企业寻找新的融资渠道,房地产信托基金这一新型融资模式应运而生,为房企融资提供了新思路。截止2019年3月末,我国共发行了 49只房地产信托基金产品,其发行规模达到了989.64 亿元。本文首先对国内外房地产信托基金的相关研究进行了梳理,并阐述了房地产信托基金、风险管理以及市场风险的相关概念及特征。将理论分析与实证研究相结合,采取VaR和CVaR的风险度量方法以及ARMA-GARCH模型族,对中国（香港地区）REITs的市场风险进行实证研究。在具体的实证分析中,首先对所选取基金的对数收益率序列进行单位根检验和ARCH-LM检验,判断收益率序列的平稳性和异方差性,根据实证检验结果发现本文所选取的中国（香港地区）房地产信托基金序列具备较好的平稳性且存在异方差,适合构建ARMA-GARCH模型来预测中国（香港地区）房地产信托基金的对数收益率。并通过GARCH、EGARCH、TGARCH三个模型,在不同分布的模型假设下,比较不同模型的拟合效果,发现EGARCH模型可以更好的反映中国（香港地区）房地产信托基金收益率序列的尖峰肥尾特性、收益率的不对称性,以及信息冲击作用的不对称性。在GARCH模型族拟合的基础上,选择95%、99%两个置信水平,在不同分布下采取VaR的度量模型对市场风险进行衡量,并进行Kupice的回测检验。为更好的衡量尾部的市场风险,在VaR模型的基础上,还引入了 CVaR模型,基于ARMA-GARCH模型族的VaR模型和CVaR模型在不同置信水平下不同残差分布下的计算结果进行比较,从而衡量和筛选出最佳的风险度量模型,实证分析发现CVaR 比VaR更能衡量中国（香港地区）房地产信托基金的极端市场风险,也再次验证EGARCH模型在GED分布下的CVaR模型可以较好的衡量中国（香港地区）房地产信托基金的市场风险。
石博[4]（2018）在《动态加权期望损失及其在投资组合中的应用》文中研究说明金融风险贯穿于金融市场主体从事金融活动的整个过程,由于金融风险给金融市场参与者造成的收益或损失具有很大的不确定性,而且其可能带来的危害程度与影响范围难以准确预估,因此风险度量作为投资者防控与管理金融风险过程中一个至关重要的步骤,对该方面的研究有着非常重要的现实意义.本文在静态风险度量-加权期望损失（WES）的基础上,以投资期限的划分为分界点,提出了一种新的动态风险度量-动态加权期望损失（DWES）,它是文献[10]中的指数加权函数到一般的非线性加权函数情形的推广,极大地丰富了现有的风险度量方法.本文共分为五个部分.首先,第一章主要阐述了金融风险度量的相关研究背景和研究现状.第二章我们先给出一些基本的数学定义,然后简单概述了常见的风险度量方法,如风险价值VaR、一致风险度量、期望损失ES和加权期望损失WES,其中WES通过在ES的基础上引入非线性加权函数w（x）,从而赋予了不同损失值不同的权重,然后我们通过实际股票数据,证明了 WES相较于ES能够更加有效地刻画不同投资者对于风险的厌恶态度.其次,在第三章中,我们先介绍了动态加权期望损失（DWES）的定义,然后证明了其作为一个合理风险度量应有的凸性、单调性以及其它性质,接着又探讨了非线性加权函数w（x）的选择问题,并根据几种常见的损失分布,对加权函数的选取及参数的范围作出了具体说明,为DWES的实际应用提供了理论依据.最后,第四章和第五章则侧重于动态加权期望损失（DWES）在投资组合中的应用和结论.我们通过计算并对比在不同非线性加权函数w（x）情况下,相同5个时期组合投资的静态风险WES和动态风险DWES,得到了如下结论:当前时期的动态风险DWES与前期的信息紧密相关,并会对未来的风险波动有持续性的影响;此外,对于固定的参数,不同形式加权函数下的动态风险DWES对于风险的刻画程度大不相同,因此针对不同风险偏好程度的投资者,我们可以通过选择不同的非线性加权函数w（x）来进行风险度量.
刘琼[5]（2017）在《多期风险度量及其模型》文中研究表明随着计算机技术与社会科技程度的不断提高,经济全球化进程逐渐加快,金融风波日益加剧,危机频频发生。为了有效地规避风险,如何有效得度量风险便成为了相关领域工作者首要解决的问题。在险价值VaR是当前最流行的风险度量,它表示在一定的置信度内,由于市场波动而使得整个资产组合在未来某个时期内可能遭受的最大损失。它虽在一定程度上能够对风险进行度量和预测,但其仅仅只表示了损失分布的一个分位数,不能全面地反映整个损失分布的下尾部情况,同时不具有次可加性,破坏了风险分散化原理,因而备受批评。为了克服这些缺点,Artzener等人提出了一致性风险度量的公理化体系,从此,越来越多的学者开始投入到对风险度量问题的研究中。以往普遍运用的研究方法为,基于风险度量的一致性概念对保险业的资本保证金以及一致性风险度量中各经济参数间的内在联系进行研究,从而达到规避风险的目的。不同的一致性风险度量被提出,尤以ES（ExpectedShortfall）最为突出,但ES仅是超过VaR的尾部极端损失的条件期望,不能有效地控制损失分布的厚尾现象,更不能精细地刻画投资者对风险的厌恶态度。其次,无论是VaR还是ES都是从单期风险角度去研究风险度量,而在实际中,投资组合常呈现多期风险。为更深入的研究风险度量,本文作了如下工作:1、对选题背景、当前学术界比较流行且有影响力的风险度量方法以及他们的发展趋势进行了系统的阐述;2、系统地阐述了金融风险度量基础理论,包括金融风险基础知识、风险度量公理化标准,如一致性风险度量与凸风险度量的定义及其表示定理;3、归纳总结了当前比较流行的两种单期风险度量方法:在险值VaR与期望损失ES,并给出了他们之间的联系;4、结合投资者的心理动机与投资行为,以投资期限的划分为分界点,提出了一种全新的多期风险度量--多期指数加权期望损失（MWES）,证明了它的凸性与单调性,并给出了相应的数值模拟。为多期风险度量方法的实际应用提供了理论依据,对投资者的长期投资具有重要的现实指导意义;同时为多期风险度量方法后续的深入研究奠定了一定基础。最后,在文章的结尾给出了全文研究工作的总结和对未来关于风险度量研究工作的展望。
刘琼,胡亦钧[6]（2018）在《多期指数加权期望损失》文中认为本文研究了多期资产投资的风险度量问题.利用VaR及ES,结合投资者的投资行为与心理因素,以投资期限的划分为分界点,提出了一种新的多期风险度量――多期指数加权期望损失（MWES）,并证明了它的凸性与单调性.推广了已有的风险度量方法.
田广杰[7]（2014）在《金融风险度量原则及度量方法研究综述》文中提出金融危机过后,人们对于风险度量模型提出了各种质疑,但是我们仍无法直接否定这些度量模型在风险管理中的重要作用。主要对金融风险度量原则和金融风险度量方法进行综述,并且对于各种风险度量方法进行分类和比较,进而提出对于金融风险度量的发展趋势的认识。
杜红军[8]（2013）在《基于Copula函数-Asymmetric Laplace分布的金融市场风险度量与套期保值研究》文中认为随着金融全球一体化的发展，金融市场的复杂程度日益提高，防范金融风险已成为全社会的共识。加强金融系统风险防范和管理能力，提高市场转移及消化吸收风险的能力，将是我国金融市场健康成长和发展的重要保障。金融秩序和金融运行环境的不断改变，金融风险的产生、传播、控制与管理等都日趋复杂，对金融市场风险的度量与管理的研究也更加重要和复杂。金融市场风险是最常见也是我国金融机构面临的主要风险，但是对其的研究，一些传统的基于正态、线性或波动性对称等模型的研究已不再适用，很难充分地捕获市场风险信息。这就需要不断探索研究，给出更多适应现阶段风险管理要求的理论模型研究及实证研究。本文在分析现代金融风险管理理论的基础上，总结了市场风险度量及期货套期保值等方面的研究，指出了现有研究的不足，针对金融市场风险的复杂性，建立了基于非正态分布方法及非线性相关性模型的风险度量模型和套期保值策略模型，对金融市场风险的度量与套期保值进行了研究。主要从以下四个方面展开了主体部分的研究：（1）本文建立了基于Asymmetric Laplace（AL）分布的市场风险VaR与CVaR的度量模型。构建了市场风险VaR和CVaR度量的AL参数法和AL-MC法，并进行了比较研究。选取上证指数、日经225指数及S&P500指数为研究对象，结合各股市的风险特征，给出了VaR和CVaR度量及其返回检验和准确性评价。结果表明，基于AL分布的风险度量模型能更好刻画市场风险特征，能很好地度量市场风险。（2）本文建立了动态风险VaR和CVaR度量的ARMA-GJR-AL模型。从相关性、波动性及残差分布特征三方面考虑，研究了基于ARMA-GJR-AL模型的动态风险VaR和CVaR的度量。通过实证研究，给出了上海股市与纽约股市的市场风险预测及准确性检验，研究了模型的有效性。结果表明，基于AL分布的动态风险度量模型更具合理性和适用性，能有效地度量风险。（3）本文运用Copula函数技术来描述资产间的相关性结构，建立了金融资产组合的市场风险VaR和CVaR的度量和分配的Copula-AL模型，并对常用的基于多元统计分布的度量方法及基于OLS模型的风险分配方法进行了比较研究。选取上证指数和深圳成指的组合为例，计算了组合风险及其分配。结果表明，基于t-Copula-AL模型的VaR、CVaR法计算简单准确，且能方便地进行风险分配。（4）本文采用参数和非参数分布法来刻画边际分布特征，结合Copula函数技术来描述期现市场间的相关性，以CVaR最小化为目标函数，建立了基于静态和动态Copula-CVaR的最优套保比率度量模型，并对各模型进行了比较研究。以沪深300指数现货和期货为研究对象，建立了静态和动态Copula-CVaR模型及OLS模型，在给定套保期限内，分析了各模型的套保费用，并给出了修正成本套保效率的比较分析。实证结果表明，考虑套保费用时，应选择简单易行的静态套保策略，即使市场条件相同，也应据自身的费用情况选择最优套保策略。本文的研究促进了金融市场风险度量、期货套期保值、AL分布及Copula函数理论等方面的研究，具有很好的理论意义，同时对投资决策、经济资本管理及风险管理等实践活动也起到很好的帮助和借鉴作用。
亢娅丽[9]（2012）在《电力市场环境下供电公司的购电风险分析》文中指出全世界范围内进行的的电力工业结构重组和放松管制，在引导电力工业市场化运营、打破垄断、鼓励竞争、提高效率的同时，也使得各个市场主体面临着前所未有的风险。传统电力管制体制下，电价由监管者根据成本核定，在较长时期内电价具有稳定性和可预测性。然而电力市场化改革改变了这种规则，在竞争性电力市场中，电力作为商品的最大特点在于不能进行有效的存储，从而导致其需求弹性很小，致使电价易受到电力供求关系的影响，容易产生剧烈的价格波动。为了规避电价风险，远期、期货和期权等具有降低或转移风险功能的电力金融衍生工具相继出现。电力市场环境下，供电公司作为独立的市场参与者，拥有配电网并从发电公司和电力交易中心批发购电后向终端用户提供供电服务。研究和考察供电公司的交易策略，对供电公司优化分配各级市场的购电量、降低市场风险具有不可或缺的作用；对稳定电力市场具有重要意义。本文首先介绍了电力金融衍生产品的特性及电力市场金融风险度量方法；其次将金融领域的投资组合理论应用到电力市场中，分析了供电公司、大用户在多市场中的购电组合问题；之后，考虑了电力资产间的相关性问题，采用了Copula函数来度量电力资产间的非线性相关性；最后，深入分析了供电公司的多期购电决策问题。本文的主要工作与创新如下：①供电公司在多个市场上的购电组合问题，通常从预期收益和风险角度来进行分析。现有文献中，对多目标优化问题大多采用加权法处理为单目标优化问题进行求解，本文采用模糊多目标优化算法求解模型，将目标函数模糊化，设法求出与各目标尽可能接近的相对最优解。现有文献针对大用户的购电风险问题，多采用VaR、CVaR等风险度量方法，没有考虑大用户的主观风险厌恶程度。本文提出采用谱风险函数度量风险来构建大用户的最优购电组合模型，同VaR、ES相比，不用先验地选择置信水平，大用户可以根据自己的风险厌恶程度自由选择谱风险函数，基于谱的度量方法更加灵活。②对于各市场电价序列的联合分布问题，现有文献通常假设电价收益序列服从多元正态分布，并用线性相关系数度量电力资产间的相关性。但是众多研究表明电价收益序列有明显的厚尾、异方差现象，电力资产之间表现出较强的非线性特征，线性相关系数不能全面地反映相关结构。本文结合Copula函数的特点和GARCH模型的优势，考虑了电力实时、期货两市场收益间的相关结构和两市场收益序列的统计特性，构造了两市场收益组合的Gumbel Copula-（GARCH-GED，GARCH-t）模型，在此基础上对供电公司的购电风险进行了分析。实证结果表明，与二元正态分布模型相比，基于Copula函数的风险度量值更加准确。③针对供电公司的多阶段购电问题，现有文献多采用各个阶段单期风险的简单加总来度量多期组合的风险或者采用单阶段连续决策。事实上多阶段投资时，投资者所考虑的是投资期末的最小风险值，而不是使单个阶段的风险值尽可能的小。基于此，本文构建了以供电公司期末收益最大、风险最小的多期购电组合优化模型，其中期末收益的风险采用多期一致性风险度量函数测度。同时考虑到电力期货市场和实时市场电价序列的尖峰、厚尾特性和两市场电价序列间的相关结构，采用时变SJC Copula-（GARCH-T，GARCH-GED）模型拟合电价序列，并进行模拟。实证结果表明，多期投资组合决策优于连续决策，也优于整体购电决策。
王鲁非[10]（2011）在《金融市场风险的尾部估计和极值度量》文中研究表明经典的风险理论通常是根据收益率序列的样本数据估计资产组合损失分布函数,然后得出一定置信水平下的可能损失。但近年来,人们越来越发现根据总体损失数据得到的损失分布模型在高频率低损失的中心区域拟合效果比较好,但在低频率大损失的尾部拟合效果往往表现欠佳。而恰恰是位于损失分布尾部的极端风险事件,对相当数量的机构和个人投资者而言,由于缺乏有效预判和充足的风险准备,后果经常是灾难性的。因此,尾部风险的度量已成为金融风险领域研究的重要内容。本文在金融危机的影响尚未消散,各国及全球金融市场仍处于恢复、调整期,甚至有可能面临二次危机的严峻形势下,把目光汇聚于极端情况下金融市场风险的度量与管理,通过理论探讨和实证分析研究行之有效的方法,为识别和管理风险创造良好条件,无疑具有很强的现实意义。极值模型和压力测试是重要的极端风险事件分析工具,近年来,人们将其引入VaR模型,用以进行金融市场尾部风险测度,取得了比较好的效果。但是,极值模型和压力测试在应用过程中仍然面临一些问题,理论研究者和风险管理实践者仍在不断研究其改进方法。本文正是从这些问题中选取了部分对模型有效性有重要影响的问题开展研究和讨论,包括阈值如何选取、样本数据的尾部相关性和极值指数的估计、满足一致性要求的压力测试风险度量模型等问题,得到了一些令人满意的结果。同时,在研究资产组合个体风险测度模型的基础上,本文还重点讨论了极端情况下的系统性风险管理,并从宏观审慎性监管的视角,提出了完善我国金融监管体制架构的建议。本文的主要研究工作及成果可归纳如下:第一章介绍了论文研究的理论与现实意义,以文献综述的形式介绍了国内外关于极值理论、压力测试等方面的研究成果,概述了论文的研究内容、研究方法和主要创新。第二章主要是介绍极值分布的基本理论,重点介绍了极值模型的研究对象和极值型定理,广义极值分布和广义Pareto模型形式及原理,以及GEV模型中形状参数的估计问题。第三章基于变点理论探讨了GPD模型中的阈值选取问题,所得模型克服了传统阈值选取方法存在的局限性。第四章重点研究了样本数据的尾部相关性和极值指数的估计问题,对上证综指（SHCI）和标准普尔500指数（S&P500）收益率数据进行了尾指数的实际计算与比较。之后,依次回顾了分块估计方法、倒数串估计法、串估计法以及Ferro-Segers方法计算极值指数的过程及原理,并分别计算了SHCI和S&P500收益率数据用上述方法得到的极值指数。最后,提出了一种新的计算极值指数的计量方法,并证明了其有效性。第五章讨论了一致性框架下的压力测试风险度量模型,将极值分布作为压力测试情景的具体分布形式,在SHCI收益率样本数据中引入压力测试情景（模拟损失）,应用历史模拟法、EGARCH（1,1）-M模型进行了实证检验。第六章从分析金融危机爆发以来各主要经济体采取的应对措施入手,讨论了极端情况下的系统性风险管理问题,分析了宏观审慎监管的原则、框架以及与微观审慎监管的区别与联系,提出了相关建议。本文采取理论研究为主,实证分析为辅的研究方法,以定量研究为主要手段,以定性分析为补充。创新之处体现在理论和应用两个方面:理论创新包括,给出了基于变点理论的GPD模型阈值估计和样本区间分割方法,从理论和实证方面证明了二阶差分变点阈值选取方法的有效性;提出了极值指数的计量估计方法,讨论了此种方法的估计原理,并将实证分析结果与原有的极值指数估计方法进行了比较;将GPD模型作为压力测试情景的具体分布形式,构建了压力测试的一致性框架;从分析金融危机爆发以来各主要经济体采取的应对措施入手,讨论了极端情况下的系统性风险管理,并从宏观审慎监管视角,提出了完善我国金融监管体制架构的建议。应用创新包括,将从理论上探讨出的二阶差分变点阈值选取方法应用于VaR的估计中,对目前文献中的相关方法只能粗略估计阈值的状况进行了改进,并实际估计了上证综合指数收益率在不同置信水平下的VaR值;分析比较了SHCI和S&p500收益率数据的尾指数,得出了上证综指收益率服从的边际分布右尾较S&P500厚,但无法识别SHCI与S&P500收益率服从的边际分布左尾厚度差异性的结论;应用分块估计方法、倒数串估计法、串估计法以及Ferro-Segers方法计算了上证综合指数和S&P500收益率数据的极值指数,并将计算结果应用于VaR的实际计算,得到了不同置信水平下的VaR值;应用极值指数的计量估计方法实际计算了上证综合指数和S&P500收益率数据的极值指数,得到了与原有估计方法较为相近的结果;对引入压力测试情景的样本数据应用EGARCH（1,1）—M模型估计了动态VaR和ES值,结果表明压力测试情景对估计结果的影响较为显着,在95%置信水平下,将EGARCH（1,1）—M模型估计的动态VaR进行了Kupiec检验,证明了其能够较为准确地测度SHCI收益率的动态风险。
二、一种新的动态一致性风险度量DCVaR（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、一种新的动态一致性风险度量DCVaR（论文提纲范文）
（1）次线性算子和凸算子下最优估计问题的研究（论文提纲范文）
| 中文摘要 |
| 英文摘要 |
| 第一章 研究背景和预备知识 |
| 1.1 研究背景 |
| 1.2 概率论的相关知识 |
| 1.3 倒向随机微分方程理论 |
| 1.4 次线性算子下有界随机变量的最优均方估计问题 |
| 1.4.1 问题构建 |
| 1.4.2 相关结论 |
| 第二章 次线性算子下最小均方估计问题 |
| 2.1 引言 |
| 2.2 预备知识和问题描述 |
| 2.2.1 预备知识 |
| 2.2.2 问题描述 |
| 2.3 存在性和唯一性结果 |
| 2.3.1 存在性结果 |
| 2.3.2 唯一性结果 |
| 2.4 次线性算子下可积随机变量的最小均方估计元的刻画 |
| 2.5 次线性算子下可积随机变量的最小均方估计元的性质 |
| 2.6 本章小结 |
| 2.7 附录 |
| 第三章 一个稳健的Kalman-Bucy滤波问题 |
| 3.1 引言 |
| 3.2 问题的构建 |
| 3.3 主要的结果 |
| 3.4 本章小结 |
| 3.5 附录 |
| 第四章 基于观测不确定性的滤波问题 |
| 4.1 引言 |
| 4.2 稳健估计问题的构建 |
| 4.3 稳健估计问题的求解 |
| 4.4 本章小结 |
| 4.5 附录 |
| 第五章 凸算子下有界随机变量的最小均方估计问题 |
| 5.1 引言 |
| 5.2 预备知识和问题描述 |
| 5.2.1 预备知识 |
| 5.2.2 有界随机变量的最小均方估计问题 |
| 5.3 最小均方估计元的存在性和唯一性 |
| 5.3.1 存在性结论 |
| 5.3.2 唯一性结论 |
| 5.4 凸算子下有界随机变量的最小均方估计元的性质 |
| 5.5 本章小结 |
| 第六章 Kalman-Bucy滤波和不确定性下的最小均方估计元 |
| 6.1 引言 |
| 6.2 稳健估计问题的构建 |
| 6.3 稳健估计问题的主要结论 |
| 6.4 预备知识和问题描述 |
| 6.4.1 预备知识 |
| 6.4.2 问题描述 |
| 6.5 最小均方估计元的存在性和唯一性 |
| 6.5.1 存在性定理 |
| 6.5.2 唯一性定理 |
| 6.6 凸算子下可积随机变量最小均方估计元的性质 |
| 6.7 附录 |
| 6.8 本章小结 |
| 第七章 用最优控制方法讨论次线性算子下的最优估计问题 |
| 7.1 引言 |
| 7.2 问题的构建 |
| 7.2.1 在概率论框架下构建估计问题 |
| 7.2.2 从最优控制的角度构建问题 |
| 7.3 最大值原理 |
| 7.3.1 变分方程 |
| 7.3.2 最大值原理 |
| 7.4 滤波 |
| 7.5 本章小结 |
| 第八章 本文的总结和新颖之处 |
| 8.1 本文的总结 |
| 8.2 本文的创新点 |
| 8.3 本文存在的不足以及进一步需要研究的问题 |
| 参考文献 |
| 攻读博士学位期间完成论文情况 |
| 致谢 |
| 学位论文评阅及答辩情况表 |
（2）非线性期望理论及其在风险度量中的应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及现状 |
| 1.2 文献综述 |
| 1.2.1 风险度量的相关研究 |
| 1.2.2 非线性期望的相关研究 |
| 1.3 研究内容与创新 |
| 第二章 基于Choquet积分的保费定价 |
| 2.1 Choquet积分及其相关性质 |
| 2.2 Choquet积分与保费函数 |
| 第三章 基于g-期望的风险度量 |
| 3.1 g-期望及其相关性质 |
| 3.2 g-期望与风险度量 |
| 第四章 基于G-期望的VaR模型 |
| 4.1 G-期望及其相关性质 |
| 4.2 G-期望与VaR模型 |
| 第五章 总结 |
| 致谢 |
| 参考文献 |
| 学位论文评阅及答辩情况表 |
（3）基于ARMA-GARCH模型族的我国香港地区房地产信托基金的市场风险实证分析（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 导论 |
| 1.1 选题背景及意义 |
| 1.1.1 选题背景 |
| 1.1.2 研究意义 |
| 1.2 文献综述 |
| 1.2.1 房地产信托基金的相关研究 |
| 1.2.2 市场风险的相关研究 |
| 1.2.3 房地产信托基金市场风险的相关研究 |
| 1.2.4 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 创新点 |
| 1.5 本章小结 |
| 第二章 房地产信托基金的发展现状 |
| 2.1 房地产信托基金在日本的发展 |
| 2.2 房地产信托基金在新加坡的发展 |
| 2.3 房地产信托基金在中国(香港地区)的发展 |
| 2.4 房地产信托基金在亚洲的发展对比 |
| 2.5 本章小结 |
| 第三章 房地产信托市场风险的相关理论及风险分析 |
| 3.1 房地产信托基金的风险分类 |
| 3.1.1 房地产信托基金的风险分类 |
| 3.1.2 房地产信托基金风险的基础理论 |
| 3.2 房地产信托基金的市场风险特征 |
| 3.2.1 市场风险的定义 |
| 3.2.2 市场风险的分类 |
| 3.2.3 房地产信托基金市场风险的特征 |
| 3.3 房地产信托基金的市场风险影响分析 |
| 3.3.1 经济周期风险对房地产信托基金的影响 |
| 3.3.2 利率风险对房地产信托基金的影响 |
| 3.3.3 通货膨胀风险对房地产信托基金的影响 |
| 3.3.4 金融市场价格和房地产价格对房地产信托基金的影响 |
| 3.4 本章小结 |
| 第四章 房地产信托基金的市场风险度量模型理论 |
| 4.1 GARCH模型族 |
| 4.1.1 金融序列数据的特征 |
| 4.1.2 ARMA模型(自回归滑动平均模型) |
| 4.1.3 ARCH模型(自回归条件异方差模型) |
| 4.1.4 GARCH模型 |
| 4.1.5 EGARCH模型 |
| 4.1.6 TGARCH模型 |
| 4.2 VaR模型理论及计算方法 |
| 4.2.1 VaR的理论基础 |
| 4.2.2 VaR的计算方法 |
| 4.2.3 VaR的模型的局限及优势 |
| 4.3 CVaR理论基础及计算方法 |
| 4.3.1 CVaR的理论基础 |
| 4.3.2 CVaR的计算方法 |
| 4.3.3 CVaR与VaR模型的比较 |
| 4.4 GARCH-VaR计算理论 |
| 4.4.1 GARCH-VaR模型计算(在正态分布下) |
| 4.4.2 GARCH-VaR模型计算(在t分布下) |
| 4.4.3 GARCH-VaR模型计算(在广义误差分布下) |
| 4.5 VaR的回测检验法 |
| 4.6 CVaR的回测检验法 |
| 4.7 本章小结 |
| 第五章 房地产信托基金市场风险的实证分析 |
| 5.1 数据的选取与处理 |
| 5.1.1 数据选取 |
| 5.1.2 数据处理 |
| 5.2 数据的统计特征分析 |
| 5.2.1 正态性检验 |
| 5.2.2 平稳性检验 |
| 5.2.3 序列自相关性检验 |
| 5.2.4 ARCH效应的存在性检验 |
| 5.2.5 数据统计结果分析 |
| 5.3 基于ARMA-GARCH-VaR族模型的实证分析 |
| 5.3.1 ARMA-GARCH模型族的模型建立与比较 |
| 5.3.2 基于GARCH模型族的VaR计算 |
| 5.3.3 VaR的样本外回测检验 |
| 5.3.4 基于GARCH模型的CVaR计算 |
| 5.3.5 CVaR的回测检验 |
| 5.3.6 模型对比结果 |
| 5.4 实证结果分析 |
| 5.4.1 模型结果及经济含义分析 |
| 5.4.2 VaR和CVaR计算和回测结果分析 |
| 5.5 本章小结 |
| 第六章 结论与展望 |
| 6.1 本文结论 |
| 6.2 市场风险管理建议 |
| 6.3 研究意义的回顾与局限分析 |
| 6.3.1 研究意义的回顾 |
| 6.3.2 本文的局限分析 |
| 参考文献 |
（4）动态加权期望损失及其在投资组合中的应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 研究现状 |
| 1.3 研究工作及内容 |
| 2 风险度量简单概述 |
| 2.1 基本定义 |
| 2.2 在险价值(Value-at-Risk,VaR) |
| 2.3 致性风险度量 |
| 2.4 期望短缺(Expected Shortfall,ES) |
| 2.5 加权期望损失(Weighted Expected Shortfall,WES) |
| 3 动态加权期望损失DWES的定义和性质 |
| 3.1 动态风险度量DWES的定义 |
| 3.2 动态风险度量DWES的性质 |
| 3.3 DWES加权函数的选择 |
| 4 实证分析 |
| 4.1 数据选取 |
| 4.2 DWES加权函数的图像 |
| 4.3 基于WES和DWES模型的实证分析 |
| 5 结论与展望 |
| 5.1 主要结论 |
| 5.2 研究展望 |
| 参考文献 |
| 致谢 |
（5）多期风险度量及其模型（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 选题背景及意义 |
| 1.2 金融风险概述及研究现状 |
| 1.2.1 金融风险概念及其分类 |
| 1.2.2 风险度量方法的研究现状 |
| 1.3 本文的内容安排 |
| 第二章 金融风险度量基础理论 |
| 2.1 风险管理概述 |
| 2.2 基本定义 |
| 2.3 金融风险度量的公理化标准 |
| 2.3.1 一致性风险度量 |
| 2.3.2 凸风险度量 |
| 2.3.3 小结 |
| 第三章 单期风险度量模型 |
| 3.1 单期VaR模型 |
| 3.1.1 VaR的定义 |
| 3.1.2 VaR的计算方法 |
| 3.1.3 VaR的优缺点及实际应用 |
| 3.2 单期期望损失ES模型 |
| 3.2.1 ES的定义 |
| 3.2.2 ES的优缺点 |
| 3.3 本章小结 |
| 第四章 多期风险度量模型 |
| 4.1 模型介绍 |
| 4.1.1 单期指数加权期望损失 |
| 4.1.2 多期指数加权期望损失 |
| 4.2 主要结论及介绍 |
| 4.2.1 MWES的单调性 |
| 4.2.2 MWES的凸性 |
| 4.2.3 数值模拟 |
| 4.3 本章小结 |
| 第五章 总结与展望 |
| 5.1 全文总结 |
| 5.2 研究展望 |
| 参考文献 |
| 致谢 |
（7）金融风险度量原则及度量方法研究综述（论文提纲范文）
| 一、引言 |
| 二、金融风险概述 |
| 三、金融风险度量原则 |
| (一) PS体系[6] |
| (二) ADEH体系 |
| (三) WYP体系 |
| 四、金融风险度量方法 |
| (一) 均值-方差法 |
| (二) 敏感性分析 |
| (三) VaR系列法 |
| 1.VaR |
| 2.CVaR |
| (四) 一致性风险度量模型 |
| 1. ES模型 |
| 2. 谱系风险度量 |
| 3. DRM模型[14] |
| 4. 相对风险价值 |
| 五、结束语 |
（8）基于Copula函数-Asymmetric Laplace分布的金融市场风险度量与套期保值研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究的背景与意义 |
| 1.2 研究的主要内容与创新点 |
| 1.3 论文的结构安排与框架 |
| 2 文献综述 |
| 2.1 金融市场风险管理研究概述 |
| 2.2 金融市场风险度量研究 |
| 2.3 期货套期保值研究 |
| 2.4 现有研究的不足 |
| 3 基于 Asymmetric Laplace 分布的金融市场风险度量 |
| 3.1 VaR 与 CVaR 模型 |
| 3.2 Asymmetric Laplace 分布理论 |
| 3.3 AL-VaR 与 AL-CVaR 度量方法 |
| 3.4 实证研究 |
| 3.5 本章小结 |
| 4 基于 ARMA-GJR-AL 模型的动态风险度量 |
| 4.1 ARMA 类模型 |
| 4.2 GARCH 类模型 |
| 4.3 ARMA-GJR-AL 模型的建立 |
| 4.4 动态风险 VaR 与 CVaR 度量 |
| 4.5 实证研究 |
| 4.6 本章小结 |
| 5 基于 Copula-AL 模型的资产组合市场风险度量与分配 |
| 5.1 Copula 函数理论 |
| 5.2 基于 Copula-AL 模型的风险度量与分配 |
| 5.3 实证研究 |
| 5.4 本章小结 |
| 6 基于 Copula-CVaR 模型的股指期货套保比率度量 |
| 6.1 股指期货在风险管理中的应用 |
| 6.2 基于 Copula-CVaR 的最优套期保值策略 |
| 6.3 实证研究 |
| 6.4 本章小结 |
| 7 全文总结与研究展望 |
| 7.1 全文总结 |
| 7.2 研究展望 |
| 致谢 |
| 参考文献 |
（9）电力市场环境下供电公司的购电风险分析（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 电力工业的市场化改革 |
| 1.1.2 美国加州电力危机 |
| 1.2 文献综述 |
| 1.2.1 投资组合理论在电力市场中的应用研究 |
| 1.2.2 电力价格波动的风险度量研究 |
| 1.2.3 Copula 函数在电力资产相关性中的应用研究 |
| 1.3 论文的结构和创新 |
| 1.3.1 论文的结构 |
| 1.3.2 论文的创新 |
| 2 电力市场金融风险管理研究 |
| 2.1 金融衍生产品在电力市场交易中的应用分类 |
| 2.1.1 电力远期合约 |
| 2.1.2 电力期货合约 |
| 2.1.3 电力期权合约 |
| 2.2 电力市场金融风险度量方法介绍 |
| 2.2.1 波动类风险度量 |
| 2.2.2 分位数风险度量 VaR |
| 2.2.3 条件风险价值 CVaR |
| 2.2.4 一致性风险度量 |
| 2.2.5 动态风险度量 |
| 2.3 Copula 在风险管理中的应用 |
| 2.3.1 线性相关及其局限性 |
| 2.3.2 Copula 简介 |
| 2.3.3 Copula 在金融领域中的应用 |
| 2.4 本章小结 |
| 3 供电公司在多市场的购电问题分析 |
| 3.1 电力市场环境下供电公司的风险管理 |
| 3.1.1 供电公司的购电价格波动风险 |
| 3.1.2 组合交易决策在电价风险控制中的应用 |
| 3.2 基于 CVaR 的供电公司双目标购电模型及其模糊优化 |
| 3.2.1 CVaR 的计算方法简介 |
| 3.2.2 供电公司的最优购电模型 |
| 3.2.3 算例分析 |
| 3.3 基于谱风险度量的大用户购电组合风险分析 |
| 3.3.1 谱风险简介 |
| 3.3.2 大用户最优购电模型 |
| 3.3.3 风险厌恶函数的选取 |
| 3.3.4 算例分析 |
| 3.4 本章小结 |
| 4 基于 Copula 理论的供电公司单期购电风险分析 |
| 4.1 购电电价分析 |
| 4.1.1 ARCH 模型 |
| 4.1.2 GARCH 模型 |
| 4.2 Copula 函数介绍 |
| 4.2.1 Copula 函数的选择 |
| 4.2.2 Coupla 函数的参数估计与检验 |
| 4.3 电价收益序列边缘分布模型选择 |
| 4.3.1 序列边缘分布模型的选择 |
| 4.3.2 边缘分布模型的检验 |
| 4.4 风险度量方法选择 |
| 4.5 实证分析 |
| 4.5.1 数据的选取及统计性描述 |
| 4.5.2 边缘分布模型的选择与估计 |
| 4.5.3 边缘分布模型的检验 |
| 4.5.4 Copula 模型的参数估计结果 |
| 4.5.5 Copula 模型的检验 |
| 4.5.6 投资者的风险厌恶函数选择 |
| 4.5.7 风险度量结果比较 |
| 4.6 本章小结 |
| 5 基于 Copula 理论的供电公司多期购电风险分析 |
| 5.1 时变相关 Copula 函数介绍 |
| 5.2 多期一致性风险度量方法介绍 |
| 5.3 实证分析 |
| 5.3.1 数据的选取及统计性描述 |
| 5.3.2 时变 Copula 模型选择 |
| 5.3.3 供电公司的多期购电模型 |
| 5.3.4 Copula 模型的估计 |
| 5.3.5 模拟数据及模型求解 |
| 5.4 本章小结 |
| 6 结论与展望 |
| 6.1 主要研究结论 |
| 6.2 未来研究展望 |
| 致谢 |
| 参考文献 |
| 附录 |
| A. 作者在攻读博士学位期间发表的论文及奖励 |
| B. 作者在攻读博士学位期间参与的科研与学术活动 |
（10）金融市场风险的尾部估计和极值度量（论文提纲范文）
| 论文摘要 |
| ABSTRACT |
| 第1章 引言 |
| 1.1 研究意义 |
| 1.2 文献综述 |
| 1.3 论文研究的主要内容 |
| 1.4 研究方法与创新 |
| 第2章 极值分布的基本理论 |
| 2.1 极值模型的研究对象和极值型定理 |
| 2.2 极值分布的形式 |
| 2.2.1 广义极值分布（GEV） |
| 2.2.2 广义Pareto分布 |
| 2.3 GEV分布的参数估计 |
| 2.3.1 参数方法 |
| 2.3.2 非参数方法 |
| 2.4 极小值的GEV分布 |
| 第3章 基于变点理论的Hill估计阈值选取方法 |
| 3.1 传统阈值选取方法的局限性 |
| 3.2 基于变点理论的阈值选取方法 |
| 3.2.1 Hill估计及相关模型转换 |
| 3.2.2 基于变点理论的阈值选取 |
| 3.3 实证分析 |
| 3.3.1 数据描述 |
| 3.3.2 阈值的选取及参数估计 |
| 3.3.3 VaR 和 ES 计算结果分析 |
| 3.4 小结 |
| 第4章 尾部相关性与极值指数估计 |
| 4.1 尾指数 |
| 4.2 极值指数 |
| 4.2.1 极值指数的涵义 |
| 4.2.2 极值指数的估计方法 |
| 4.3 实证检验 |
| 4.3.1 尾指数的比较 |
| 4.3.2 极值指数的计算与比较 |
| 4.3.3 极值指数在风险度量方面的应用 |
| 4.4 极值指数的计量算法 |
| 4.5 小结 |
| 第5章 一致性框架内的压力测试 |
| 5.1 VaR和ES的一致性 |
| 5.1.1 风险测度的一致性条件 |
| 5.1.2 VaR和ES的一致性 |
| 5.2 压力测试的一致性框架 |
| 5.2.1 压力测试的作用与缺陷 |
| 5.2.2 压力测试的一致性框架 |
| 5.3 一致性风险测度模型的构建 |
| 5.3.1 极值分布 |
| 5.3.2 EGARCH-M模型 |
| 5.3.3 风险测度模型的构建 |
| 5.4 实证分析 |
| 5.4.1 历史模拟法 |
| 5.4.2 EGARCH-M模型检验 |
| 5.4.3 模型准确性的返回式检验 |
| 5.5 小结 |
| 第6章 系统性金融风险与宏观审慎监管 |
| 6.1 金融危机中各主要经济体的应对措施 |
| 6.1.1 危机爆发的主要进程 |
| 6.1.2 各主要经济体采取的措施 |
| 6.1.3 从危机应对措施看各主要经济体的系统性风险管理 |
| 6.2 危机后系统性金融风险管理的重点 |
| 6.3 宏观审慎监管 |
| 6.3.1 宏观审慎监管概念的提出 |
| 6.3.2 宏观审慎性监管与微观审慎性监管的区别与联系 |
| 6.3.3 宏观审慎监管框架研究 |
| 6.3.4 宏观审慎监管与货币政策的关系 |
| 6.3.5 我国金融监管的现状及存在的问题 |
| 6.3.6 加强我国宏观审慎监管的建议 |
| 结论 |
| 参考文献 |
| 作者简介及科研成果 |
| 致谢 |
四、一种新的动态一致性风险度量DCVaR（论文参考文献）
- [1]次线性算子和凸算子下最优估计问题的研究[D]. 孔垂柳. 山东大学, 2020(11)
- [2]非线性期望理论及其在风险度量中的应用[D]. 沙静慧. 山东大学, 2020(12)
- [3]基于ARMA-GARCH模型族的我国香港地区房地产信托基金的市场风险实证分析[D]. 袁春玲. 厦门大学, 2019(02)
- [4]动态加权期望损失及其在投资组合中的应用[D]. 石博. 武汉大学, 2018(12)
- [5]多期风险度量及其模型[D]. 刘琼. 武汉大学, 2017(06)
- [6]多期指数加权期望损失[J]. 刘琼,胡亦钧. 数学杂志, 2018(01)
- [7]金融风险度量原则及度量方法研究综述[J]. 田广杰. 金融理论与教学, 2014(05)
- [8]基于Copula函数-Asymmetric Laplace分布的金融市场风险度量与套期保值研究[D]. 杜红军. 华中科技大学, 2013(10)
- [9]电力市场环境下供电公司的购电风险分析[D]. 亢娅丽. 重庆大学, 2012(02)
- [10]金融市场风险的尾部估计和极值度量[D]. 王鲁非. 吉林大学, 2011(05)