基于 Copula-CoVaR的中小企业板和创业板间风险溢出效应研究开题报告

为捕捉全球主要股票市场间时变风险溢出的网络结构与特征，识别各国在全球风险溢出中的角色地位，把握风险溢出的全貌，采用时变Dcc-Garch-Coupla-ΔCoVaR

模型测度任意两两股票市场间的时变风险溢出，并基于小波多分辨分析提取风险溢出的特征量，构建静态与动态复杂网络进行分析。研究结果发现，时变 Dcc-Garch-Coupla-ΔCoVaR模型能够较好地捕捉股票市场的风险溢出演化趋势。在全局静态网络中，美国以及部分欧洲地区是风险溢出的中心，欧洲国家的金融风险传染具有明显的非对称性。美国、英国以及中国香港等国家或地区具有“主溢出”效应；中国、新加坡、泰国等发挥“经纪人”作用。动态风险溢出网络的聚类系数与平均路径长度基本呈反向变动，符合小世界特征。

20世纪90年代以来世界各国金融危机频发，尤其是2008年次贷危机导致的全球性金融危机，引发了各国监管部门对“微观审慎政策”的重新审视，强调金融风险需要进行宏观审慎监管。复杂的股票市场因其标的资产价格的不确定性、投机行为等可能存在的高风险问题而备受关注。以往研究大多关注单一股票市场风险的计量和监测，关于股票市场风险传染的网络化问题尚未引起足够重视。在金融一体化与混业经营的模式下，各国股市已然形成了一个错综复杂的网络，一国股市受到一定程度的负面冲击时容易滋生风险，在“多米诺骨牌”效应下通过外溢渠道迅速波及整个金融市场。鉴于此，构建全球主要股票市场间风险溢出网络，全面监测各国股市风险传染的动态变化，识别风险溢出中心、排查潜在风险隐患、降低风险传染概率，对于中国实施宏观审慎监管具有重要意义。

一、研究内容

风险价值（VaR）被视为标准的市场风险衡量指标，是指投资组合在给定的置信区间内的最大可能损失，与分位函数密切相关，可结合波动率法（Garch）、极值理论（VET）和条件自回归分位数模型（CAViaR）等方法测度Dcc-Garch-Coupla-ΔCoVaR。模型将Garch模型和Coupla函数结合到VaR框架中。其中，Dcc-Garch模型能够捕捉股市波动的典型特征，如厚尾性，Coupla函数可刻画两国股票市场间的相依结构，二者结合可有效衡量股票市场的时变风险溢出。最后对于结果的运用提出建议。

二、拟解决的关键问题

1、中国的股票市场板块间是否存在溢出效应

2、股票市场溢出效应研究现状如何

3、是否可以借鉴其他领域对于风险溢价的研究方法

4、模型如何设计，数据来源和处理

5、根据什么指标分析股票市场板块间的风险溢出效应

6、结论如何指导实践

三、写作提纲

本文共分为六个章节，其中第一章节阐述研究背景、研究意义和研究思路；第二章节阐述国内外研究现状，第三章节阐述相关理论基础，第四章节进行实证分析（包括模型构建、数据筛选等），第五章节对实证的结果进行分析（着重分析股票市场间的风险溢出效应），第六章节提出结论和建议。

目前，国内外关于风险（VaR）及风险溢出（CoVaR）效应的研究，大多采用时间序列的分析方法，以下三类最具代表性：一是波动率方法，可以追溯到Engle的Arch类模型，推广到Garch、Dcc-Garch等方法。Girardi等基于Dcc-Garch模型估计时变CoVaR，揭示系统性风险的动态变化过程。李丛文等根据Garch时变Copula-CoVaR模型度量影子银行对商业银行的动态风险溢出效应。二是分位数回归模型。Engle等首次提出条件自回归分位数模型（CAViaR）估计时变VaR。Adrian等使用分位数回归对CoVaR模型进行估计，奠定了CoVaR模型后续研究的基础。分位数回归模型无需指定数据生成过程，但缺乏相关分布假设导致统计推断在数据稀疏的尾部具有不稳定性。三是极值理论（EVT）测度风险。常用的极值理论有超门限阀值法（POT）和分块样本极大值模型（BMM），主要关注序列尾部的条件分布，但扩展到动态的研究较少。鉴于各国股票市场的联动性不断加强，已然形成一个整体。除采用时间序列分析方法外，从网络拓扑的角度对股票市场的关联性与溢出性进行拓展的研究备受关注。大量文献从标的资产收益率的关联性出发，根据相关系数或引力矩阵采用最小生成树算法、平面最大过滤图算法以及阀值法等建立网络，揭示股票市场的联动性与相关性。黄玮强等将绝对相关系数矩阵转化为距离矩阵，采用最小生成树算法、平面最大过滤图算法构建中国上证与深证的股指收益率的关联网络，发现关联网络内节点之间的相关性服从幂律分布。Wang等指出用绝对相关系数表征股票市场间的相关性，并没有剔除其他股市的影响，无法反映二者之间的净相关关系。并且，Engle认为绝对相关系数在股票波动率较大的子样本期（如金融危机期间）是有偏的。

目前，国内外文献从网络拓扑角度展开的风险溢出效应研究尚处于起步阶段。国内文献大多借鉴Diebold等的方法，运用广义向量自回归模型依托预测误差方差分解构建溢出指数，结合网络拓扑结构进行拓展研究。然而，一方面基于该方法计算的溢出指数多为波动性溢出，与真正的风险溢出（CoVaR）有所区别。另一方面，该方法需要设置滚动窗口，如果窗宽过短，时变溢出的异常值容易增多；如果窗宽过长，可能无法捕捉一些突变情况。此外，窗宽的存在也会使时变溢出的计算结果损失一个窗宽长度。

（三）文献综述总结

对比国内外研究可以发现以下要点：

1、国外对于股票市场风险溢价的研究更多、更深入，因此能够提供更多的思路参考。

2、对国外数据的研究结果呈现出一致性，而对于中国风险溢价的研究，结果不尽相同，但是所有作者都提到了中国特色的政策扶持、经济模式，这一点应该引起必要的关注。此外，现有的对于中国股票市场风险溢价的实证研究，数据和方法上都已经比较陈旧，这也更加显现出本文研究的意义和必要性。

[1] Engle RF . Autoregressive Conditional Heteroscedasticity with Estimates of theVariance of U.K. Inflation[J]. Econometrica, 1981, 50(4):987-1008.

[2] GirardiG , Erguen A T . Systemic risk measurement: Multivariate GARCH estimation ofCoVaR[J]. Journal of Banking amp; Finance, 2013, 37(8):3169–3180.

[3] Engle R, Manganelli S . CAViaR: Conditional Autoregressive Value at Risk byRegression Quantiles[C]// Econometric Society World Congress 2000 ContributedPapers. Econometric Society, 2000.

[4] AdrianT , Brunnermeier M K . CoVaR[J]. Social Science Electronic Publishing, 2014,106(7):1705-1741.

[5] A C D ,B P E , C S S . Extreme-quantile tracking for financial time series -ScienceDirect[J]. Journal of Econometrics, 2014, 181( 1):44-52.

[6] 张保帅, 金振琥. 基于Beta-Skew-t-EGARCH-POT模型的极值风险测度研究[J]. 南方金融, 2018, 02(No.498):33-41.

[7] Aste T, Shaw W , Matteo T D . Correlation structure and dynamics in volatile markets[J].New Journal of Physics, 2010, 12(8):085009.

[8] Wang GJ , Xie C , Chen S . Multiscale correlation networks analysis of the US stockmarket: a wavelet analysis[J]. Journal of Economic Interaction amp;Coordination, 2017, 12(3):1-34.

[9] Wang GJ , Xie C , Stanley H E . Correlation Structure and Evolution of World StockMarkets: Evidence from Pearson and Partial Correlation-Based Networks[J].Computational Economics, 2018, 51(3):1-29.

[10] 黄玮强, 庄新田, 姚爽. 中国股票关联网络拓扑性质与聚类结构分析[J]. 管理科学, 2008(03):96-105.

[11] EngleR F . Dynamic Conditional Correlation: A Simple Class of MultivariateGeneralized Autoregressive Conditional Heteroskedasticity Models[J]. Journalof Business amp; Economic Statistics, 2003, 20(3):pgs. 339-350.

[12] NaJ,Lee J,Baek C.Is the service sector different in size heterogeneity?[J].Journal of Economic Interaction and Coordination, 2017, 12(1): 95-120.

[13] 刘海云, 吕龙. 全球股票市场系统性风险溢出研究——基于△CoVaR和社会网络方法的分析[J]. 国际金融研究, 2018, 000(006):22-33.

[14] 杨子晖, 周颖刚. 全球系统性金融风险溢出与外部冲击[J]. 中国社会科学, 2018, 276(12):70-91 201-202.

[15] Diebold F X, Yilmaz K . Measuring financial asset return and volatility spillovers, withapplication to global equity markets[J]. NBER Working Papers, 2008.

[16] DieboldF X , Yilmaz K . Better to Give than to Receive: Predictive DirectionalMeasurement of Volatility Spillovers[J]. International Journal ofForecasting, 2012, 28( 1):57-66.

[17] DieboldF X , Yilmaz K . On the Network Topology of Variance Decompositions:Measuring the Connectedness of Financial Firms[J]. SSRN Electronic Journal,2011.

[18] 戴大洋, 邓光明, DAI,等. 基于小波特征提取的高频面板数据聚类方[J].统计与信息论坛, 2018, 02(v.33;No.209):47-52.

[19] 梁琪，李政，郝项超．中国股票市场国际化研究：基于信息溢出的视角[J]．经济研究，2015，50（4）:150-164．

[20] ZhangW , Zhuang X , Li Y . Dynamic evolution process of financial impact path underthe multidimensional spatial effect based on G20 financial network[J].Physica A: Statistical Mechanics and its Applications, 2019, 532:121876.