本文是一篇金融学论文，本文使用5分钟高频波动率，在GAS Factor RV模型中分别加入单个市场（即包括亚洲市场、欧美市场和澳洲市场的13支股指）和所有市场高频波动率信息（高频波动率均值和第一主成分）。
第一章绪论
1.1研究背景与意义
1.1.1研究背景
在21世纪，金融市场正在逐步使全球化和经济一体化成为现实。随着经济金融化、金融证券化以及金融市场一体化的加强趋势，虚拟经济和知识经济时代正在悄然到来。然而，由于大众对风险的厌恶性，大量的避险工具出现，同时衍生工具和金融工具的品类日益繁多。投资者为了获得超额收益增加了杠杆，增加的高杠杆率使他们金融市场的价格的波动中更加的脆弱。经济的发展催生了金融危机例如1997年开始爆发的亚洲金融危机，次级住房信贷危机引发的2007至2009年的金融危机以及2019年以来全球疫情引起的金融危机。2019年新冠疫情的爆发导致2020年的全球经济危机。疫情造成的经济危机与以往的经济不一样的是工厂公司全面停工停产，各国封国，严重的影响了各国的实体业，对经济打击巨大。这次经济危机导致美国股市四次熔断，即使美联储实行了量化宽松的货币政策，提出降息至零，股市依旧暴跌，市场发生严重恐慌，同样美国股市的暴跌也影响了其他国家的经济。
经济危机的频发，引发了关于风险度量模型，尤其是尾部风险模型的辩论。极端风险由于发生的频率较小容易被忽略，但是一旦发生对经济的冲击很大，例如“黑天鹅事件”。管理极端风险就可以一定程度上减轻“黑天鹅事件”发生时对经济的冲击。为了准确地衡量风险，尤其是尾部风险，找到一种合理的指标来计算和预测风险十分重要。Morgan（1996）所提出的“风险价值”（Value at risk，VaR ）概念逐渐发展为金融市场风险度量的主流技术指标；Artzner等（1999）提出预期不足（Expected Shortfall，ES）的风险度量指标。ES是一致性风险度量手段，具有更高的准确性和精确度同时也继承了VaR 诸多优点。次贷危机暴露了的VaR 无法估计厚尾风险的缺陷，巴塞尔委员会在这之后提高了对ES指标的重视。2013年巴塞尔协议初步确定了ES的计算方法，2019年在最新的《市场风险最低资本要求》中，建议金融机构使用ES指标计算极端风险。在现有的对极端风险预测的文献中，极少有文献考虑外部信息对极端风险预测的影响，并通过利用高频交易数据进行实证分析国际股票市场对中国股市极端风险联动性以及对极端风险的预测能力。这些不足，为研究极端风险提供了空间，本文利用FZ损失函数联合VaR 和ES，构建加入外部信息的极端风险预测模型。
1.2研究思路和方法
1.2.1研究思路
经济危机近年来频繁发生，就如疫情下爆发的金融危机。风险的产生将会加剧财富分配的不平均，严重的极端风险发生时企业将会面临破产，社会出现动荡，人民大量失业，从而进一步激化社会矛盾，因此，对极端风险的预测变得尤为重要。预测极端风险的指标主要有VaR 和ES，本文构建模型对中国股市的极端风险（VaR 和ES）进行预测。传统对极端风险的预测主要针对VaR 进行建模，由于ES的不可回测性，对ES建模的文章较少。由于ES指标较VaR 更能反映出极端风险的水平，且ES的重要性逐步提高，找到合适的回测方法并对ES进行建模预测变得尤为重要。
VaR 和ES的联合损失函数（FZ损失函数）的提出，给预测ES提供了新的思路，即将VaR 与ES联合共同进行预测。传统对极端风险的预测通常采用参数法，即设定一个特定的分布，从而求分位数对应的损失值。本文考虑用动态半参数模型，不设定收益率特定的分布，构建GAS Factor X模型，通过动态调整参数将损失函数最小化求得VaR 和ES，GAS Factor X模型中可以包含除收益率以外的其他外部信息，包括波动率信息及其他宏观变量信息。全球经济逐渐一体化，国家间的金融市场具有一定的传染性，这让我们不得不重视全球风险的联动性。本文考虑到股票市场间的溢出效应，加入国际股票市场波动率RV信息，对极端风险进行预测。
第二章文献综述
2.1风险指标及预测方法研究
2.1.1风险度量指标
收益率的方差被Markowitz(1952)首次提出，并作为首个风险测量的指标[1]。方差作为数据离散程度的度量，也存在着两个缺点：第一，虽然方差能够体现收益率波动不确定性的大小，但对潜在具体损失的计量没有指导意义；第二，方差对于所有的收益率赋予相同的权重，现实中投资者对正收益率和负收益率的效用函数是不同的，由于人们通常对风险呈厌恶行，对负收益率的影响大于正收益率带来的影响。因此，单一方差指标在管理现代金融风险层面上的实践意义已然被大幅削弱。而随后用于具体计量金融市场风险的主流方法则发源于Morgan（1996）提出的“风险价值（Value at risk,VaR ）”概念，即在给定的时期和置信水平下计算所得到的资产收益率将面临的极大可能的损失。VaR 不能满足次可加性以及指标对极端损失的敏感性弱等缺陷也令它饱受诟病。而真正使其具备实用价值的研究则来自于shiu（1999）提出的预期不足（Expected-Shortfall，ES）——超过VaR 门限的尾部期望，这是一种建立在VAR方法优点基础上的一致性风险度量方法，也叫做尾部VaR 和条件VaR 。它完美的弥补了原VaR 计算方式的缺点，因此也立刻被广泛应用于各种金融机构的风险监管，巴塞尔协会更是在2012年将其作为VaR 的唯一代替性方法以更加科学的量化金融风险。
2.1.2基于高频数据的风险测度
高频数据可以充分利用了资产的交易信息，相较于低频数据具有信息优势。高频波动率作为一种典型的风险测度，其提出可以更好地为研究金融风险，进行市场定价以及构建合适的投资组合打下基础。在实证方面，国内外学者利用高频波动率建模研究风险的文章也有很多。邹纯（2015）基于公司数据对高频数据与风险实证研究[4]；熊伟和陈浪南（2015），沙浩伟和曾勇（2017）利用股票数据对股票收益，投资者情绪以及公司管理进行研究[5-6]；陈蓉和林秀雀等（2016）对波动率以及尾部分布及风险进行研究[7]；邵锡栋（2008），陈声利（2018），石玉山和刘海龙（2018）也进行了有关波动率和风险管理方面的研究[9-11]。
2.2外部因素与一国股市风险的联系
2.2.1国际股票市场间的联动性
国际股票市场是影响一国股票市场极端风险的重要影响因素之一。股票市场联动主要描述国家（或地区）的股票市场指数之间或一个国家（地区）股票市场板块之间，或一个板块内的股票之间的共同运动趋势[41]。在衡量中国股市与国际股市联系的实证研究方面，国内外学者对中国股市与国际股市的联系进行了广泛的探讨。
对于研究股市长期均衡关系，学者们通过协整方法验证了中国股市和其他国际市场间的动态协整关系，实证结果说明中国股市对部分市场的部分区间具有一致性协整的关系，中美股市间不存在长期均衡关系（张兵，2010[42]；何光辉，2012[43]）。针对均值溢出，学者们通过线性和非线性的Granger因果检验、有向无环图及溢出指数方法进行了实证研究，揭示了我国与全球股市的联动性越来越强，且在金融危机发生时，中国收益均值受世界各国传染性是显著的，且呈现非线性状态（张兵，2010[42]；赵进文，2013[44]；梁琪，2015[45]）。对于波动率溢出问题，学者们主要通过GARCH以及GARCH的变形模型进行实证分析，主要结论为对于中国、美国、日本以及英国等国家的利率波动具有显著的溢出效应[46]。Zhou（2012）通过实证分析证明了中国对其他国家（地区）股票市场具有风险溢出效应，其中对中国香港和台湾的影响最大[47]。对于尾部风险的研究，多数学者采用Copula函数对其进行建模研究，实证结果表明美国与金砖四国的极端风险具有相依性，中国股市和美国股市间的相依性在逐年提高，中国内地股市与中国香港和台湾的相依性较高（Aloui，2011[48]；唐齐鸣和操巍，2009[49]，李红权，2011[50]，曾裕峰，2017[51]；White，2015[52]）。
第三章股市极端风险预测的理论基础........................14
3.1股票市场极端风险的影响因素.........................14
3.1.1其他股票市场对一国股票市场极端风险的影响....................14
3.1.2经济政策不确定性对股票市场极端风险的影响....................14
第四章基于国际股市高频信息的极端风险预测模型构建..............19
4.1极端风险的度量..................19
4.1.1 VaR 和ES.........................19
4.1.2基于FZ损失函数的VaR 和ES联合估计方法......................20
第五章国际股票市场高频信息对中国股市极端风险的预测能力实证分析........27
5.1数据选取与处理...........................27
5.1.1股票指数的样本选择及数据来源...............27
5.1.2数据的描述性统计.....................27
第六章国际股票市场高频信息与宏观变量对股市极端风险预测能力对比
6.1外部变量选择
股票市场瞬息万变，本文在前面已详细介绍了股票市场极端风险的影响因素，其中包括经济政策不确定性EPU和市场恐慌指数VIX。为了进一步验证GASFactor X模型加入宏观因素的预测能力以及将国际股票市场高频信息与宏观变量的极端风险预测能力进
