互聯網金融是由傳統金融行業(yè)與互聯網高新技術相結合形成的新業(yè)態(tài),有著高度互聯、高效傳遞、邊際成本幾近于零的特點,即便互聯網金融業(yè)務的規(guī)模較小,也有可能在較短的時間內對整個市場造成沖擊,從而給整個金融體系帶來系統性風險,因此更需要加強對其風險的關注與度量。本文首先對學者們過去做過的研究文獻進行了梳理,對互聯網金融風險的種類、特征和生成機理進行了詳細的剖析,為后文的風險度量做好鋪墊。為了對互聯網金融的風險進行度量,本文采用EGARCH模型與極值理論POT模型相結合的方式,以2014年至2018年中證互聯金融指數的負對數收益率為研究對象,利用VaR和CVaR指標對我國互聯網金融股票市場風險進行了實證分析,實證結果表明,在95%和99%兩種不同的置信水平下,EGARCH模型能很好的擬合收益率的波動聚集性,極值理論的POT模型可對收益率的厚尾性特征進行擬合,從而在一定的程度上提高了 VaR估計的預測精度,也可以為監(jiān)管部門制定相應的法律法規(guī)提供參考。針對實證研究的結果,文章在最后也提出了相應的風險防范建議。

【文章頁數】：55 頁

【學位級別】：碩士

【部分圖文】：

圖5.1中證互聯金融指數負對數收益率時序圖

Ｆｉｇ．５．１?ＣＳＩ?Ｉｎｔｅｒｎｅｔ?Ｆｉｎａｎｃｉａｌｓ?ｎｅｇａｔｉｖｅ?ｌｏｇａｒｉｔｈｍｉｃ?ｒｅｔｕｒｎｓ?ｃｈａｒｔ?ｔｉｍｉｎｇ??表５．１互聯網金融指數的描述性統計??Ｔａｂｌｅ５．１?Ｄｅｓｃｒｉｐｔｉｖｅ?ｓｔａｔｉｓｔｉｃｓ?ｏｆ?ｉｎｔｅｒｎｅｔ?ｆｉ....

圖５．２?ＰＯＴ模型擬合程度檢驗圖??Ｆｉｇ．５．２?ＰＯＴ?ｍｏｄｅｌ?ｆｉｔｔｉｎｇ?ｄｅｇｒｅｅ?ｔｅｓｔ?ｃｈａｒｔ??５．５基于ＥＧ?ＡＲＣＨ－ＰＯＴ模型的ＶａＲ、ＣＶａＲ計算及檢驗??

５．４．２?ＰＯＴ模型擬合程度檢驗??為了考察ＰＯＴ模型擬合出來的參數估計值是否準確合理，同樣需要對模型進行檢??驗，圖５．２是殘差序列擬合ＧＰＤ的診斷檢驗圖。其中，左上角是超越量的分布函數圖（橫??坐標取對數刻度）；右上角是殘差的碎石圖；左下角為尾概率估計（取對數刻度）以及右下....

圖５．４?ａ＝９９％置信水平下修正殘差序列不同分布假設下的收益率ＶａＲ??

?２５０?３００??圖５．３?ａ＝９５％置信水平下修正殘差序列不同分布假設下的收益率ＶａＲ??Ｆｉｇ．５．３?Ｔｈｅ?ｙｉｅｌｄ?ＶａＲ?ｕｎｄｅｒ?ｔｈｅ?ａｓｓｕｍｐｔｉｏｎ?ｏｆ?ｄｉｆｆｅｒｅｎｔ?ｄｉｓｔｒｉｂｕｔｉｏｎｓ?ｏｆ?ｍｏｄｉｆｉｅｄ?ｒｅｓｉｄｕａｌｓ?ａ....

本文編號：4016988