發(fā)布時間：2025-02-11 18:35

　　金融市場在迅猛發(fā)展的同時,其風(fēng)險(xiǎn)也在不斷增大。近年來,金融風(fēng)險(xiǎn)時有發(fā)生,如2007年至2009年的全球金融危機(jī),2010年開始全面爆發(fā)的歐洲債務(wù)危機(jī)等。自這些金融風(fēng)險(xiǎn)發(fā)生以來,人們逐漸意識到:金融市場內(nèi)部不確定性的影響因素日益增多,市場復(fù)雜性在也日益明顯(如非線性和異質(zhì)性等)。時間序列分析在金融計(jì)量中占據(jù)重要地位,本文在汲取國內(nèi)外本領(lǐng)域最新研究成果基礎(chǔ)上,著眼于解決金融系統(tǒng)中非線性與異質(zhì)性等復(fù)雜性問題,選取“基于分位數(shù)自回歸的金融風(fēng)險(xiǎn)計(jì)量研究”這一課題,將時間序列分析拓展到分位數(shù)回歸框架下,研究一元時間序列的非線性分位數(shù)自回歸以及多元時間序列的分位數(shù)向量自回歸,進(jìn)而給出相應(yīng)的金融風(fēng)險(xiǎn)計(jì)量模型與方法。本文主要采取數(shù)理分析、人工智能、數(shù)值模擬和實(shí)證研究相結(jié)合的方法,從以下兩個方面開展研究:第一,在理論建模方面,對經(jīng)典的分位數(shù)回歸模型進(jìn)行拓展,給出新的金融風(fēng)險(xiǎn)計(jì)量工具與方法;第二,在應(yīng)用研究方面,將新的金融風(fēng)險(xiǎn)計(jì)量方法應(yīng)用于金融風(fēng)險(xiǎn)管理,提高金融風(fēng)險(xiǎn)管理的效率。本文研究特色體現(xiàn)在兩個方面。第一,在分位數(shù)回歸框架下開展研究,能夠充分發(fā)揮分位數(shù)回歸揭示響應(yīng)變量完整分布特征與異質(zhì)效應(yīng)的能力,提高對尾...

【文章頁數(shù)】：140 頁

【學(xué)位級別】：博士

【部分圖文】：

圖３．１ＱＡＲＮＮ模型的原理圖

值得注意，在神經(jīng)網(wǎng)絡(luò)模型運(yùn)行初期，需要初始化迭代項(xiàng)來訓(xùn)練神經(jīng)網(wǎng)絡(luò)模??型，因此本節(jié)通過計(jì)算前個觀測值對應(yīng)分位點(diǎn)的經(jīng)驗(yàn)分位數(shù)來初始化迭代項(xiàng)，??其中／ｎ—般設(shè)為樣本總量的１／１０�；趫D３．１給出的ＱＡＲＮＮ模型原理圖，給定??預(yù)測變量⑴，以及—個由ＱＡＲＮＮ輸出的預(yù)測值＆⑴。??....

圖３．２ＱＡＲＮＮ方法估計(jì)的１

ＦＴＳＥ１００?（１，１，３）?０．１７７?－１．５００?（２，１，３）?０．４４７?－０．８７４?（２，１，３）?０．６５８?－０．４１９??３．３．３?ＶａＲ風(fēng)險(xiǎn)測度??圖３．１報(bào)告基于參數(shù)個數(shù)／７?＝?ｌ，ｇ?＝?ｌ，Ａ：?＝?３時ＱＡＲＮＮ方法擬合的１％分位數(shù)，??５％分....

圖４．１ＮＣＡＲＥ模型的原理圖??Ｆｉｇ４．１?Ｓｃｈｅｍａｔｉｃ?ｄｉａｇｒａｍ?ｓｈｏｗｉｎｇ?ａＮＣＡＲＥ?ｍｏｄｅｌ?ｗｉｔｈ?ｔｗｏ?ｐｒｅｄｉｃｔｏｒｓ??

Ｙ?三卜（＾，（以°）／，（６（５，（６（°）丫為待估參數(shù)，，）？），＜），．．．，４）），為權(quán)重向??量；６Ｗ為閾值向量。??當(dāng)使用式（２．３５）的檢驗(yàn)損失函數(shù)來訓(xùn)練圖４．１的神經(jīng)網(wǎng)絡(luò)框架時，輸出值為條??件Ｅｘｐｅｃｔｉｌｅｓ的估計(jì)值。顯然可見，ＮＣＡＲＥ模型可以在沒有確定函....

圖４．６三段樣本區(qū)間內(nèi)ＶａＲ和ＥＳ的推薦模型??Ｆｉｇ４．６Ｔｈｅ?ｏｐｔｉｍａｌ?ｎｕｍｂｅｒｓ?ｏｆ?ｅａｃｈ?ｍｏｄｅｌ?ｆｏｒ??

圖４．６三段樣本區(qū)間內(nèi)ＶａＲ和ＥＳ的推薦模型??Ｆｉｇ４．６Ｔｈｅ?ｏｐｔｉｍａｌ?ｎｕｍｂｅｒｓ?ｏｆ?ｅａｃｈ?ｍｏｄｅｌ?ｆｏｒ?ＶａＲ?ａｎｄ?ＥＳ?ｅｖａｌｕａｔｉｏｎ?ｏｆ?ｓｉｘ?ｓｔｏｃｋ?ｉｎｄｉｃｅｓ??ａｔ?ｔｗｏ?ｃｏｎｆｉｄｅｎｃｅ?ｌｅｖｅｌｓ?ｆｏｒ....

本文編號：4033685