第一章绪论
1.1研究的背景及意义
全球金融市场的效率在大幅度提高的同时，市场的波动性和系统风险速度也正在加剧。20世纪80年代初因受债务危机影响。银行普遍开始注重对信用风险的防范与管理，其结果是《巴塞尔协议》的诞生。该协议通过对不同类型资产规定不同权数來量化风险，是对银行风险比较笼统的一种分析方法。20世纪90年代以后随着衍生金融工具及交易的迅猛增长，市场风险日益突出，几起震惊世界银行和金融机构危机大案（如巴林银行、大和银行等事件）促使人们对市场风险的关注。一些主要国际大银行开始建立自己的内部风险测量与资本配置模型，以弥补《巴塞尔协议》的不足。主要进展包括：市场风险测量新方法_Value At Risk(VaR)(风险价值方法）。这一方法最主要代表是摩根银行的"风险矩阵"系统；银行业绩衡量与资本配置方法——信孚银行的”风险调整的资本收益率(Risk Adjusted Return on Capital,简称RAROC)"系统。
最近几年一些大银行认识到信用风险仍然是关键的金融风险，并开始关注信用风险测量方面的问题，试图建立测量信用风险的内部方法与模型。其中以JP.Morgan的CreditMetrics 和 Credit Suisse Financial Products(CSFP)的 Credit Risk 两套信用风险管理系统最为引入注目。1997年亚洲金融危机爆发以来，世界金融业风险（如1998年美国长期资本管理公司损失的事件）出现了新特点，即损失不再是所造成，而是由信用风险和市场风险等联合造成。金融危机促使人们更加重视市场风险与信用风险的综合模型以及操作风险的量化问题，由此全面风险管理模式引起人们的重视。
经过多年努力，风险管理技术已达到可以主动控制风险的水平。目前有关研究侧重于对已有技术的完整和补充，以及将风险值估计方法推广到市场风险以外（包括信用风险、结算风险、操作风险）等其他风险领域的尝试。我国的金融市场是一个新兴市场，自2003年以来，面对股市的大幅度起伏波动，大多数的证券公司由于对其委托理财业务中的风险多加重视且未加防范从而导致了巨额亏损甚至破产，我国的金融机构市场对风险管理的效率低下已成为一个不容忽视的问题。随着我国在2001年加入WTO以及金融市场化进程的不断深入，怎样有效地管理市场风险己成为二十一世纪的我国金融机构面临的重大挑战。
传统的资产负债管理(Asset-Liability Management)过分依赖于金融机构的报表分析，缺乏时效性，资产定价模型(CAPM)无法揉合新的金融衍生品种，而用方差和P系数来度量风险只反映了市场（或资产）的波动幅度。这些传统方法很难准确定义和度量金融机构存在的金融风险。1993年，G30集团在研究衍生品种基础上发表了《衍生产品的实践和规则》的报告，提出了度量市场风险的VaR(Va]ue-at-Risk )模型（”风险估价"模型），稍后由JP.Morgan推出了计算VaR的Risk Metrics风险控制模型。在些基础上，又推出了计算VaR的CreditMetrics TM风险控制模型，前者用来衡量市场风险；JP.Morgan公开的Creditmetrics TM技术已成功地将标准VaR模型应用范围扩大到了信用风险的评估上，发展为"信用风险估价"(Credit Value at Risk)模型，当然计算信用风险评估的模型要比市场风险估值模型更为复杂。目前，基于VaR度量金融风险已成为国外大多数金融机构广泛采用的衡量金融风险大小的方法。
1.2文献综述
1.2.1国内外VaR方法文献综述
在险价值VaR (Value at Riks)方法是当前最被推崇的风险测度方法。Mogran的风险管理人员开发了一个名为”风险度量“的系统一Risk Metrics,其中提出了 VaR的概念，并且在正态分布的假设下介绍了参数法、历史模拟法、蒙特卡洛模拟法三种VaR计算方法。此后，三十国集团发表的《衍生产品的实践和规则》的研究报告，开始推广使用VaR方法。VaR的概念简单，算法多样，然而它的度量却是一个具有挑战性的统计问题，围绕VaR的测量，各国学者进行了深入研究。Kevin Dowd(;i998) [1]在其专著中详细总结了 1994 一 1997年间具有代表性的论文所做的研究工作：PhUippeo Jorion(2005) [2]在他的专著中在他的专著中详细介绍了 VaR的概念和各种计算模型。
第二章VaR方法概述
2.1 VaR方法概述
在险价值简称VaR(vahe at risk)可以定义为“在一定的期间内，在一定的置信水平《 (如5%、1%等）下，一个金融头寸所面临的最大的潜在损失”。用数学公式可以表述为：
蒙特卡洛模拟法类似于历史模拟法，不同之处在于蒙特卡洛模拟法中所用到的数据（各风险因子收益率）是通过计算机伪随机数发生器模拟出来的，其具体步骤如下：
(1)将投资组合解构为风险因子，并确定投资组合和各风险因子的初始值；
(2)假设各风险因子服从联合正态分布，并运用历史数据估计均值与方差矩阵；
(3)从多变量正态分布中进行抽样，模拟计算下一日各风险因子的值；
(4)利用这些模拟的风险因子值，根据给定的组合定价公式计算得到AP的一个样本值；
(5)不断重复步骤(2)到步骤(4),就能够得到AP的模拟概率分布，进而得到相应的VaR值。
第三章 分位数回归估计............................... 20-25
3.1 分位数回归的基本概念.............................. 20
3.2 分位数回归模型及其估计.............................. 20-22
3.2.1 线性分位数回归模型及其估计.............................. 20-21
3.2.2 非线性分位数回归模型.............................. 21-22
3.3 分位数回归的检验 ..............................22-25
3.3.1 Wald检验.............................. 22-23
3.3.2 秩检验 ..............................23
3.3.3 似然比检验.............................. 23-25
第四章 基于虚拟变量分位数回归..............................25-33
4.1 模型选择准则 ..............................25-26
4.1.1 R~2.............................. 25
4.1.2 校正R~2.............................. 25
4.1.3 赤池信息准则.............................. 25-26
4.1.4 施瓦茨信息准则.............................. 26
4.2 实证分析 ..............................26-33
4.2.1 数据描述 ..............................26
4.2.2 日内波幅估计量.............................. 26-29
4.2.3 线性分位数回归模型分析.............................. 29-31
4.2.4 含虚拟变量的分位数回归模型 ..............................31-33
第五章 Copula分位数回归及Copula函数.............................. 33-45
5.1 相关结构函数Copula ..............................33-34
5.2 相关性度量.............................. 34-35
5.3 检验最优Copula函数.............................. 35-37
5.4 Copula分位数回归.............................. 37
5.5 阿基米德Copula分位数回归模型.............................. 37-39
5.6 利用Copula实证分析金融风险.............................. 39-44
结论
(1)论文构建含有虚拟变量的分位数回归模型，使用日内波幅作为度量风险的条件，分析上证指数和沪深指数的条件VaR,并与无条件模型和线性分位数回归模型进行比较。结果表明：含虚拟变量分位数回归模型比无条件模型和线性分位数回归模型能更好的度量风险。
(2)论文研究了Copula模型及Copula分位数回归，推导了几种常见的阿基米德 Copula 的分位数曲线，并给出了 Gumbel Copula、Clayton Copula、FrankCopula分位数回归曲线。使用Copula函数来构建金融模型时，可以将随机变量的边缘分布和随机变量之间的相关结构分开来研究，其中随机变量的边缘分布的选择不受限制，而且将Copula引入到风险管理，能更加准确地反映资产间的相关结构，特别是收益率的尾部相关结构，模型预测的准确性大大提高。本论文把Copula函数和分位数回归结合起來，构建了 Copula分位数回归模型，Copula分位数回归模型不仅具有Copula能够很好度量金融资产相关结构的特点，还具有刻画金融变量之间在不同局部（例如尾部)所具有的相关关系。论文对深交所上市的股票进行了数据处理，得到Gumbel Copula函数能够很好的模拟沪深300指数和深证成份指数的R收益率，并且在不同水平下，沪深300和深证成份指数具有很强的相关性。通过研究尾部相关性，风险管理者可以通过分析股市之间的尾部相关性，进而度量风险，做出适合的决策。创业板指数与深证成指、中小板指数构成反映深交所上市股票运行情况的核心指数。本文用同种方法对创业板指数和中小板指数的相关性进行了分析。这样风险管理者就可以根据尾部相关性，预测到当一个股票市场发生大幅上扬时另一股票市场发生大幅上扬的概率，定量的研究两个市场的相关性及预测市场的变化。及时做出相应的决策，这在金融风险管理中非常重要。
[1]Dowd K. Beyond Value-at-risk: the new science of risk management[M], New York, NY JohnWiley &Sons, Inc, 1998.
[2]菲利普.乔瑞.VaR:金融风险管理新标准[M].中译本.中信出版社，2005.
[3]Beder T.S.. VaR: Seductive but dangerous. Financial Analysts Journal, Capital Market RiskAdvisorsJnc, 1995, 12-14.
[4]Artzner P, Delbaen F，Eber J H. Heah D. Coherent Measure of Risk. Mathematical Finance.1999，(3): 203-228.
[5]R.Tyrell Roekafeller， Stanislav Uryasev. Optimazation of Conditional Value-at- Risk[J].Journal of risk, 2000，2(3): 21-41.
[6]Pavlo KrokhmaK Jonas Palmquist, Stanislav Uryasev. Portfolip Optimization with ConditionalValue-at-Risk Objective and Constraints[J]. http//'ww.ise.ufi.edu^rvasev. 2001.
[7]肖春来，柴文义，扬威.条件VaR的应用与研究⑴.数理统计与管理增刊，2003.10.
[8]肖奍来，柴文义，章月.基丁-经验分布的条件VaR计算方法研究[J].数理统计与管理，2005年第5期.
[9]Komunjer .1. Quasi-Maximum Likelihood Estimation for Conditional Quantiles [J]. Journal ofEconometrics. Volume 128, Issue 1. September 2005. Pgaesl37-164.
[10]Roger K. Bassett G. Regression quantiles[J]. Econometrica, 1978. 46(1): 33-50.