金融機構間的相互依賴性和動態(tài)性在系統(tǒng)性風險的研究中具有重要地位。在本文中,我們將“系統(tǒng)性連接”與網(wǎng)絡分析法相結合,分別研究美國股票市場和中國股票市場中金融機構間動態(tài)的依賴性。具體而言,我們采用股票的每日收盤價數(shù)據(jù),利用一種多元極值理論(Multivariate Extreme Value Theory,MEVT)的方法,構建動態(tài)的鄰接矩陣,對美國和中國的系統(tǒng)重要性金融機構(Systemically Important Financial Institutions,SIFIs)之間動態(tài)的系統(tǒng)性連接進行量化,并通過網(wǎng)絡分析將其可視化。結果顯示,在極端情形下,尤其是當金融系統(tǒng)受到較大的負面沖擊時,系統(tǒng)性連接的數(shù)值會明顯增強。同時,我們使用尾部事件驅動的網(wǎng)絡分位數(shù)回歸(Tail Event driven Network Quantile Regression,TENQR)模型來估計網(wǎng)絡的相互依賴性和動態(tài)性。結果表明,當市場處于下行周期時,網(wǎng)絡因子的反應更為強烈。

【文章頁數(shù)】：51 頁

【學位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 研究背景
    1.2 研究現(xiàn)狀
    1.3 本文的研究內容
    1.4 本文的創(chuàng)新點
    1.5 本文的行文思路
第2章 預備知識
    2.1 系統(tǒng)尾部風險的分解
        2.1.1 線性尾部風險模型
        2.1.2 系數(shù)估計方法
        2.1.3 系統(tǒng)尾部風險的分解
    2.2 網(wǎng)絡的構建
        2.2.1 系統(tǒng)重要性金融機構概述
        2.2.2 鄰接矩陣的構建
        2.2.3 非對稱斷點方法
    2.3 分位數(shù)自回歸
        2.3.1 一般的分位數(shù)自回歸模型
        2.3.2 網(wǎng)絡分位數(shù)自回歸模型
        2.3.3 TENQR模型
第3章 基于系統(tǒng)性連接的SIFIs網(wǎng)絡
    3.1 模型構建
    3.2 數(shù)據(jù)來源及處理
        3.2.1 數(shù)據(jù)來源
        3.2.2 數(shù)據(jù)處理
    3.3 理論結果
        3.3.1 原始的美國SIFIs的系統(tǒng)性連接表
        3.3.2 原始的中國SIFIs的系統(tǒng)性連接表
        3.3.3 網(wǎng)絡可視化
    3.4 網(wǎng)絡中心度分析
        3.4.1 程度中心性
        3.4.2 密度中心性
第4章 尾部事件驅動的網(wǎng)絡分位數(shù)回歸
    4.1 變量選取
    4.2 估計結果
第5章 總結與展望
    5.1 本文總結
    5.2 研究展望
參考文獻
致謝
在讀期間發(fā)表的學術論文與取得的研究成果



本文編號：3844597