本文是一篇工商管理论文，本文研究工作在理论上，将 copula 技术与 GARCH-MIDAS 模型相结合，构建了 copula-GARCH-MIDAS 模型，解决了多元条件联合分布建模中两个不足，能够方便地刻画多个变量条件联合分布变动规律，为风险测度等奠定了基础。在实际应用中，引入低频宏观经济变量，估计 copula-GARCH-MIDAS 模型，得到条件联合分布与 CoVaR 结果，准确检测到不同市场、不同国家间的风险溢出效应，可以为相关决策提供参考。
第一章 绪论
1.1 研究背景及意义
1.1.1 研究背景
受经济全球化、金融一体化以及全球信息化等影响，各国金融市场间的关联程度进一步加深，市场间的风险溢出频繁发生。随着中国经济改革的不断推进，中国金融市场迅速发展，截至 2009 年底，中国股票市场总市值已经跃居全球第二，成为国际金融市场不可忽视的重要力量。与此同时，随着中国经济金融开放的持续加深，中国金融市场与其他国际金融市场的联系日益加强。但由于中国金融市场起步较晚、相关法规制度不完善，在市场开放过程中，中国将受到较大风险溢出效应的影响。2008 年全球金融危机爆发后，发达市场和新兴市场金融风险不断冲击中国金融市场。因此，准确测度其他国家对中国金融市场的风险溢出效应，提前采取防范金融风险的措施，实现对金融风险的有效管理对于风险投资者和金融管理者至关重要。
Value at Risk（VaR）作为标准的金融风险管理工具被银行、基金、证券和其它金融机构广泛应用于测度市场风险、信用风险和操作风险。然而，VaR 只是孤立地衡量单个金融市场的风险状况，无法反应不同市场间的风险溢出情况。对此，Adrian(2016)[1]提出了 ConditionalValueatRisk（CoVaR）风险测度方法，用来表示某个金融市场陷入危机状况时金融系统的风险价值大小。CoVaR 将风险溢出效应纳入到 VaR 框架内，是一种更加有效和全面的风险管理技术，具有更强的操作性和应用性，并且依赖于联合分布建模方法。
...................
1.2 研究内容和方法
1.2.1 研究内容
被广泛应用于金融风险溢出效应度量的 CoVaR，其测度方法主要有分位数回归、Granger 因果、GARCH 模型、copula 方法等。目前，有大量研究使用“copula函数+GARCH 模型”的方式，一方面运用 GARCH 模型进行边缘分布的拟合，另一方面选择合适的 copula 函数进行关联结构刻画，最终实现条件联合分布建模。因此，提高 CoVaR 类金融风险溢出效应的测度效果主要依赖于边缘分布拟合和关联结构建模两个方面。
第一，从边缘分布拟合来看，已有文献往往采用同频变量建模。现实中，金融市场波动的影响因素既有高频变量（日度收益率）又有低频变量（月度或季度宏观经济变量），并且低频宏观经济变量如通货膨胀、货币基础和经济增长率是长期波动的重要影响因素，这就构成了混频数据问题。混频数据抽样（MIDAS）为解决此类问题提供了基本方法，能够避免聚合、插值等同频化数据处理方式带来的不利影响。近年来，MIDAS 方法引入 GARCH 框架，形成了 GARCH-MIDAS 模型。本文在拟合高频金融收益边缘分布时，引入低频宏观经济变量，建立 GARCH-MIDAS模型，提高边缘分布拟合效果。
第二，从相依结构建模来看，copula 技术为描述多元变量之间相关结构提供了基本工具，不仅能降低模型误设风险，而且具有很好的灵活性，已有文献研究了两个市场间的关联关系。本文首先把二元 copula 技术与 GARCH-MIDAS 模型相结合，建立二元 copula-GARCH-MIDAS 模型，得到条件联合分布，推导 CoVaR 风险测度，实现“一对一”风险溢出效应的测度。进一步，把vine-copula技术与GARCH-MIDAS 模型相结合，建立多元 vine-copula-GARCH-MIDAS 模型， 估计条件联合分布，推导 CoVaR 风险测度，实现“多对一”风险溢出效应的测度。
.......................
第二章 国内外研究综述
2.1 金融风险溢出计量
测度方法
迄今为止，计算 VaR 和 CoVaR 的常用方法可以分为四类：
（1）分位数回归。Koenker 和 Bassett Jr(1978)[10]的分位数回归为估计 VaR 和CoVaR 提供了一个有效的工具。Adrian(2016)[1]使用两阶段分位数回归方法估算了CoVaR。谢福座(2010)[11]采用分位数回归技术,结合条件风险价值法(CoVaR),对中国债券市场和股票市场的风险溢出效应进行考察。
（2）GARCH 模型。自 Bollerslev(1986)[12]后，GARCH 模型被广泛应用于对具有时变波动性的金融时间序列进行建模。Brummelhuis 和 Kaufmann(2007)[13]使用 GARCH(1,1)和 AR(1)-GARCH(1,1)模型度量 VaR。此外，Girardi 和 Ergün(2013)[9]使用多元 GARCH 模型度量 CoVaR。
（3）copula 技术。copula 技术通常被用于描述随机变量间的相依性，这一点对投资组合选择非常有用。Karimalis 和 Nomikos(2018)[5]运用 copula 技术计算CoVaR 避免了数值积分的负担。Reboredo 和 Ugolini(2016)[14]使用 copula 刻画石油和金属价格收益之间的关联关系，并通过计算 VaR 和 CoVaR 来量化溢出效应。Ji等(2018)[15]提出了一个相依性转换 CoVaR-copula 模型来衡量能源市场对农产品市场的溢出效应。
（4）组合方法。对前三种方法进行组合，进行风险测度，也是一种发展趋势。例如，Jondeau 和 Rockinger(2006)[16]把 copula 和 GARCH 相结合，提出了 copula-GARCH 模型来探索股票市场收益间的相依性。Huang 等(2009)[17]采用条件 copula-GARCH 来估计 VaR。Kim 和 Jung(2018)[18]使用各种 copula 与 GARCH 模型相结合来揭示原油价格、汇率和美国利率之间的相依结构。陈迅等(2017)[19]构建GARCH-copula-CoVaR 模型测度了银行与房地产两个行业在极端情况下的风险关联性及风险溢出效应。Brynjolfsson 等(2019)[20]利用 ARIMA-GARCHcopula 模型探讨新兴国家与发达国家之间金融周期的潜在相依性。
.............................
2.2 GARCH-MIDAS 理论与方法
虽然金融风险度量方面已经取得了很大进展，但对宏观经济变量在金融风险度量上的重要性还没有得到充分的讨论，这归因于宏观经济变量的频率往往低于金融变量，如宏观经济变量通常是月度、季度或者半年度的，然而金融变量通常是日度的，这就最终造成了混频数据处理问题。传统的同频数据建模对混频数据进行同频化处理，通常采取以下两种方式：（1）对高频数据变量进行平均化或加总处理转化为低频数据变量；（2）在低频数据变量中插入数值，将其转化为高频数据变量。以上方式一方面由于信息损失无法充分利用解释变量的信息，另一方面由于原始数据结构被破坏而造成数据失真。MIDAS 方法可以有效解决这些问题（Ghysels 等(2005)[38], Ghysels 等 (2007)[39], Andreou 等 (2010)[40]和 Foroni 等(2015)[41]），无需同频化操作直接对混频数据进行建模，能够更好地挖掘解释变量所包含的有效信息，消除估计的有偏性和提升估计的有效性（郑挺国和尚玉皇(2013)[42]）。鉴于 MIDAS 模型的诸多优势，该方法得到了广泛的应用。Ghysels 和Wright(2009)[43]发现运用 MIDAS 模型在季度宏观经济预测中考虑日度金融数据能够增强宏观经济预测的准确性。Baumeister 等(2015)[44]使用 MIDAS 模型，通过利用日度与周度期货数据提高了月度石油价格预测的准确度。王维国和于扬(2016)[45]通过 MIDAS 模型有效利用月度进出口总额累计同比增速等数据信息实现对中国季度 GDP 的预测。
.........................
第三章 基于二元 copula-GARCH-MIDAS 的两市场间金融风险溢出效应研究 .......... 12
3.1 模型构建与求解 .................. 12
3.1.1 边缘分布拟合：GARCH-MIDAS .......... 12
3.1.2 关联结构刻画：copula................. 13
第四章 基于 vine-copula-GARCH-MIDAS 的多市场间金融风险溢出效应研究 ...........24
4.1 模型构建与求解 .............. 24
4.1.1 边缘分布拟合：GARCH-MIDAS ..................... 24
4.1.2 关联结构刻画：vine-copula .................... 24
第五章 总结与展望 .................. 36
5.1 研究总结 ........................ 36
5.2 研究展望 ...................... 37
第四章 基于 vine-copula-GARCH-MIDAS 的多市场间
