中國股市整合風險測度研究
——基于VaR框架和相關結構的分析

覃小兵，唐曉華，林 宇

（1.成都理工大學 商學院，成都 610059；2.四川工商職業技術學院，四川 都江堰 611830）

中國股市整合風險測度研究
——基于VaR框架和相關結構的分析

覃小兵1，唐曉華2，林 宇1

（1.成都理工大學 商學院，成都 610059；2.四川工商職業技術學院，四川 都江堰 611830）

針對現有流動性風險與市場風險的整合風險測度方法忽略兩者相關結構的問題，在運用ARMA-GARCH-t模型對中國股市市場風險因子和流動性風險因子的邊緣分布進行刻畫的基礎上，引入7種Copula函數來考察兩者的相關結構，并運用MonteCarlo方法測度出整合風險。以滬深300指數為研究對象的實證檢驗結果表明：中國股市市場風險與流動性風險之間更符合動態的相關結構；在考慮了兩風險的相關結構之后，基于時變t Copula函數的風險測度模型最能準確測度兩風險的整合風險。

整合風險；流動性風險；市場風險；Copula函數；蒙特卡洛模擬

一、文獻綜述

美國次貸危機、歐洲債務危機等一系列金融風險事件的爆發，使得流動性風險成為繼市場風險之后學者及風險管理者關注的焦點。對流動性風險進行管理已成為金融風險管理者不得不面對的事情，而且，在市場缺乏流動性的情況下，流動性風險能夠顯著增大市場風險，加劇市場波動[1]。因此，如何加強對流動性風險的管理，尤其是加強對流動性風險與市場風險整合風險的管理，成為投資者及金融風險管理者亟待解決的問題。

目前，雖然VaR技術已經成為測度市場風險的通用方法，并被廣泛運用于實踐，但是如何準確測度市場風險與流動性風險的整合風險還沒有一個被廣泛認可的方法。盡管如此，由Bangia et al提出的基于價差調整VaR的BDSS模型[2]，即在傳統市場風險上加上由價差測得的流動性風險，成為當前學者在研究流動性風險與市場風險的整合風險時較多采納的模型。該模型不僅測度了市場風險的VaR值，更為重要的是，它在傳統市場風險的基礎上考慮了流動性風險的影響，從而更為全面、綜合地反映了投資者及風險管理者所面臨的風險。正是BDSS模型的這些優點，其一經提出就受到諸多學者的關注并在其基礎上進行擴展研究，如Angelidis et al[3]及劉曉星等[4]。然而，不可忽視的是，雖然BDSS模型整合了流動性風險與市場風險，但僅是將兩者簡單地相加，而這種方法只能在流動性風險與市場風險完全正相關的情況下才能成立[5]。遺憾的是，這種將兩類風險假定為完全正相關的假設過于簡單，而現實中的情況卻更為復雜[1][5]，因而BDSS模型并不能完全準確地反映出市場風險與流動性風險之間的相關結構。值得慶幸的是，這種復雜的相關結構能夠用一個合適的Copula函數來準確描述[6][7]。于是，本文引入Copula函數來刻畫流動性風險與市場風險之間的相關結構，進而準確測度兩者的整合風險。

然而，選擇何種Copula函數來描述中國股市流動性風險與市場風險之間的相關結構，不同的學者有不同的看法。張金清等認為運用靜態的正態Copula函數就能準確刻畫市場風險與流動性風險之間的相關結構；然而，張蕊等則認為運用Frank Copula函數才能夠準確刻畫市場風險與流動性風險之間的相關結構；江紅莉等則認為時變的Copula函數（Time-varying Copula）比靜態的Copula函數更能準確刻畫流動性風險與市場風險之間的相關結構[8]。因此，為準確刻畫中國股市流動性風險與市場風險之間的相關結構，本文將學者們較常運用的5種靜態Copula函數以及時變的正態Copula函數和時變t Copula函數用于考察流動性風險與市場風險的相關結構，并試圖找出能準確描述中國股市流動性風險與市場風險相關結構的最優Copula函數，以便運用蒙特卡洛（Monte Carlo）模擬方法來擬合整合風險的分布，進而準確測度整合風險的VaR值。

需指出的是，流動性風險因子的選擇對于準確刻畫流動性風險與市場風險相關結構有著重要影響[5]。目前，對于流動性風險的刻畫因子也并沒有一個統一的指標，如張金清等運用單位換手率引起的每股交易價格變化率作為流動性風險因子；而張蕊等則選用的是相對價差指標；張錚等研究得出，Amihud指標是較優的低頻流動性間接指標[9]。然而，Andreas及王明濤等指出，Amihud指標沒有考慮資產流通盤的大小，從而容易受到資產流通總額的影響，并建議運用日換手率來代替原指標中的成交金額，并且指出修正過后的Amihud指標是一個較好的流動性指標[10][11]。因此，本文選擇修正后的Amihud指標作為流動性風險因子。

毋庸置疑，模型的穩健性檢驗作為風險測度的重要環節，關系到風險管理的成敗。然而，以往學者在對整合風險測度模型的穩健性進行評價時都是以失敗率作為評價模型的標準[1][4]，而忽略了模型失敗情況的隨機性。作為風險管理者，除了要保證風險測度的準確性之外，還要避免出現連續發生風險溢出的情況，即風險的溢出情況盡可能是獨立的[12]。因而，若僅以失敗率作為評價模型穩健性的標準可能缺乏嚴謹。于是，本文運用既檢驗模型預測失敗率與假定失敗率是否一致，又檢驗失敗情況是否具有隨機性的Kupiec[13]和Christofersen[14]返回測試（Backtesting）方法對模型的穩健性進行檢驗，以使檢驗結果更具有科學性和可信性。

基于以上分析，本文選擇修正后的Amihud指標作為流動性風險的風險因子，并選用5種靜態Copula函數和2種時變Copula函數來刻畫其與市場風險因子之間的相關結構；進而運用蒙特卡洛模擬法，模擬出既符合兩風險相關結構特征又具有原市場風險因子及流動性風險因子特征的隨機數并得到整合風險的分布情況，進而測度出整合風險的VaR值；最后運用規范的Back-testing檢驗方法對模型的穩健性進行檢驗。

最后，仍需指出的是，雖然已有諸多學者（如，Bangia et al、Angelidis et al、Loebnitz[15]、劉曉星等以及林輝[16]）研究了市場風險與流動性風險的整合風險，并證實了在測度金融市場風險時不僅不能忽略流動性風險，而且當市場缺乏流動性時，流動性風險的增大，往往伴隨著市場風險也顯著增大。但是，他們的研究并沒有闡明市場風險與流動性風險之間的相關結構。雖然，張金清等、張蕊等以及江紅莉等運用Copula函數考察了市場風險與流動性風險的相關結構，但是，他們的研究限于單一地運用靜態模型或是時變模型，具有一定的片面性，而本文則是將靜態模型和時變模型一并納入考慮，更全面地考察中國股市市場風險與流動性風險之間的相關結構。同時與前人研究選取相對價差作為流動性風險因子不同的是，本文引入較好的低頻流動性指標——修正后的Amihud指標作為流動性風險的風險因子；而且更為重要的是，本文對模型的穩健性檢驗，并沒有把以往學者采用的失敗率作為模型穩健性的評價標準，而是采用規范的Back-testing方法對模型的穩健性進行檢驗。

二、研究方法

（一）基于相關結構與Monte Carlo法的整合風險VaR測度方法

在金融風險管理中，市場風險因子通常用對數收益率來表示。

對于流動性風險因子l，目前還沒有一個統一的度量指標。張錚等研究得出Amihud指標是一個很好的低頻流動性指標。然而，Andreas、張金清等以及王明濤等指出，Amihud指標沒有考慮資產流通盤的大小，從而容易受到資產流通總額的影響，并建議用日換手率來代替原指標中的成交金額。于是，本文將運用修正后的Amihud指標——lAs作為流動性風險的風險因子。

其中，turnovert為金融資產的日換手率，且其值為金融資產第t日的成交股數Volt與其第t日的流通股數ANt的比值，即turnovert=Volt/ANt。因此，流動性風險因子lAs，t可以理解為，單位換手率所引起的收益變化，可以用來反映流動性風險的大小，即lAs，t越小，則流動性越好，流動性風險越小，反之亦然。于是，在t時刻成交流通中的m個單位的頭寸所引起的流動性風險即為mt×lAs，t，其中mt=nt/ANt，nt為投資者欲成交的頭寸。

至此，我們得到市場風險因子與流動性風險因子。此外，在金融風險管理中還通常假定金融資產收益率服從如下的波動形式：

當然，要準確測度流動性風險與市場風險的整合風險，則需要運用Copula函數對市場風險與流動性風險的相關結構進行考察。需指出的是，運用Copula函數來考察市場風險與流動性風險之間的相關結構，兩風險因子需滿足服從[0，1]均勻分布的條件，而通常它們并不滿足這一條件，因而需要將兩風險因子進行標準化及概率積分變換（Probability Integral Transform，PIT），將其轉換為服從[0，1]上的均勻分布，標準化過程如下：

其中，i為市場風險因子rt或流動性風險因子lt。

從（4）式可知，要得到標準市場風險因子zr，t及標準流動性風險因子zl，t，首先必須運用合適的均值方程及波動模型分別對市場風險因子rt和流動性風險因子lt進行建模，估計出兩者的條件均值t和條件標準差t。鑒于金融時間序列通常具有自相關性、異方差性等特征，因而在此運用ARMA-GARCH模型來刻畫市場風險因子與流動性風險因子的自相關性及異方差性等特征?？紤]到金融時間序列通常具有比正態分布更厚的尾部，同時Giot指出運用GARCH-t模型對金融風險進行刻畫，能取得很好的效果[17]，因此，本文運用ARMA-GARCH-t模型對市場風險因子與流動性風險因子進行建模。ARMAGARCH-t模型的基本形式如下：

至此，我們估計出了流動性風險因子與市場風險因子的條件均值t、條件標準差t，進而得到標準市場風險因子zr，t和標準流動性風險因子zl，t。通過對標準市場風險因子zr，t和標準流動性風險因子zl，t進行概率積分變換，得到服從[0，1]均勻分布的市場風險因子Ut與流動性風險因子Vt。于是，可以運用Copula函數來考察市場風險因子Ut與流動性風險因子Vt之間的相關結構。

為準確反映市場風險因子Ut與流動性風險因子Vt的相關結構，本文采用5種常用的靜態Copula函數來考察兩者的靜態相關結構，同時采用Patton基于Hansen自回歸條件密度的思想而提出的時變正態Copula函數和時變t Copula函數來刻畫兩者的動態相關結構[18][19]。兩時變Copula函數的分布函數及相關系數演進模型如下所示：

（1）時變正態Copula函數的分布函數及相關系數方程：

當n=2時，

（2）時變t Copula函數的分布函數及相關系數方程：

當n=2時，

至此，得到了市場風險因子Ut與流動性風險因子Vt的相關結構，進而運用蒙特卡洛模擬方法模擬出既滿足市場風險因子Ut與流動性風險因子Vt相關結構，又具有風險因子rt及lt特征的隨機變量r，t和l，t。將得到的條件均值t和條件標準差t以及隨機變量r，t和l，t代入（3）式中，進而估計出符合流動性風險與市場風險相關結構的風險因子t和t，將t和t代入整合風險因子Rz，t中：

至此，我們得到了基于相關結構的整合風險在第t時刻的一種分布情況。重復進行j次（此處j= 5000）蒙特卡洛模擬，則可得到在第t時刻整合風險因子Rz，t的j種分布情況。

再將整合風險因子Rz，t在第t時刻的j種分布情況按升序排列，通過求排序后的整合風險因子z，t，j在置信水平q下的分位數，從而得到整合風險Rz，t在第t時刻及置信水平q下的VaR值，即

（二）VaR測度方法的Back-testing檢驗方法

本文運用Kupiec的檢驗方法對整合風險的穩健性進行檢驗。根據Kupiec et al的研究成果，給定的置信水平為q，考察期為N，實際失敗天數為n，則失敗率或溢出率為（n/N）。模型的零假設為：溢出率（n/N）=（1-q），進而模型的穩健性檢驗就轉換成檢驗溢出率（n/N）是否與預期溢出率（1-q）有顯著差異。其中，當VaR值小于資產的真實損失時，說明預測的風險不足以覆蓋市場發生的風險，則定義為預測失敗，并用指示變量I來表示，否則為預測成功。

此外，根據Kupiec et al的研究成果，模型零假設的似然比LRuc滿足（14）式，并且依概率服從自由度為1的卡方分布。

通常為了便于比較，我們將LRuc的卡方值轉換成概率值Puc。

若Puc＞（1-q），則不能拒絕零假設，即認為風險模型在置信水平q下是可靠的，且Puc值越接近于1，說明模型預測的效果越好。

倘若僅僅檢驗模型的溢出率與預期溢出率是否相符，并不能說明模型是穩健的，還必須對模型溢出情況的隨機性進行檢驗。于是，Christoffersen構建了類似于LRuc的檢驗指標LRind，來檢驗溢出情況的隨機性，其似然比如下：

在此基礎上，Christoffersen還構建了一個綜合了指標LRuc和指標LRind的條件檢驗指標LRcc，以綜合反映模型的穩健性。LRcc指標依概率服從自由度為2的卡方分布，且其似然比滿足：

由于檢驗指標LRcc綜合了指標LRuc和指標LRind，從而有更強的檢驗能力。于是，本文判斷模型穩健性的主要依據是該指標對應的概率值Pcc。

三、實證結果及分析

（一）研究樣本

本文選取在中國股票市場上具有代表性的滬深300指數作為研究對象，并選取2009年1月5日至2014年3月31日作為樣本期，進而得到在該樣本期內的樣本點，共計1269個。需說明的是，在本文所選的樣本期內，滬深300指數的日成交股數在2億股到20億股之間，因此本文假定滬深300指數的日成交股數為2億股。本文所需的研究數據來自上海證券交易所對外公布的《上證統計月報》和銳思金融數據庫。本文主要運用的分析軟件為matlab 2013b。

（二）市場風險因子及流動性風險因子的特征檢驗及分析

圖1是滬深300指數市場風險因子r及流動性風險因子l的波動情況。從圖1可以明顯地觀察到兩因子均具有較大的波動性；同時也表現出了明顯的“波動聚集性”，即在較大的波動后又伴隨著另一較大的波動，在較小的波動后也伴隨著另一較小的波動。表1為市場風險因子r及流動性風險因子l的描述性統計檢驗結果。從表1可知：市場風險因子r正態分布檢驗的J-B統計量在1%的顯著性水平下顯著拒絕服從正態分布的假設；其峰度（Kurtosis）和偏度（Skewness）反映出市場風險因子r具有“尖峰”及“有偏”的分布特征；單位根檢驗和拉格朗日乘數檢驗也均在1%的顯著性水平下顯著拒絕零假設，說明市場風險因子r不存在單位根，但具有“異方差”特征；自相關性檢驗在1%的顯著性水平下不拒絕零假設，表明市場風險因子r為非自相關序列。因而，滬深300指數的市場風險因子r為“尖峰”、“有偏”、具有“異方差性”的平穩序列。流動性風險因子l的特征檢驗，除了拉格朗日乘數檢驗和“異方差性”檢驗的結果與市場風險因子r的檢驗結果不同之外，其余檢驗結果與市場風險因子r的檢驗結果相似。與市場風險因子r相比，流動性風險因子具有更明顯的“尖峰”及“有偏”分布特征。因此，根據兩風險因子的上述分布特征，可分別采用GARCH模型和ARMA模型對市場風險因子r及流動性風險因子l進行建模分析。

表1 市場風險因子與流動性風險因子的描述性統計檢驗結果

（三）市場風險因子與流動性風險因子的邊緣分布參數估計結果

基于市場風險因子r及流動性風險因子l的特征檢驗結果，并結合AIC準則，最終選擇GARCH（1，1）-t模型對市場風險因子r的邊緣分布進行建模，以及選取ARMA（7，5）-t模型對流動性風險因子進行建模，參數估計結果如表2、表3所示。

表2 市場風險因子的邊緣分布參數估計結果

表3 流動性風險因子的邊緣分布參數估計結果

從表2，表3可以看出，市場風險因子r的持久性因子（α+β）為0.9908，非常接近于1，說明其波動效應具有持久性；市場風險因子r及流動性風險因子l的自由度υ分別為4.8199和2.3096，并且在1%的置信水平下顯著，說明兩者均具有較厚的尾部。此外，為檢驗所選模型對市場風險因子和流動性風險因子“異方差性”特征及“自相關性”特征的刻畫效果，以及檢驗標準化后的市場風險因子zr和流動性風險zl是否滿足標準殘差序列服從獨立同分布（Independent Identically Distribution，i.i.d）的要求，因而對標準化后的市場風險因子zr和流動性風險zl再次進行描述性統計檢驗，特征檢驗結果如表4所示。

表4 標準市場風險因子與標準流動性風險因子的特征檢驗結果

從表4的檢驗結果可看出，雖然標準化后的市場風險因子zr與標準流動性風險因子zt仍具有“尖峰”、“有偏”的分布特征，但是兩者均已不再具有“異方差性”及“自相關性”特征，由此可見，本文所運用的GARCH（1，1）-t模型以及ARMA（7，5）-t模型分別對市場風險因子r和流動性風險因子l的“異方差性”及“自相關性”特征進行刻畫是合理的；同時從BDS統計量來看，兩者均在1%的置信水平下不拒絕零假設，說明標準化后的兩風險因子均為獨立同分布序列。因而標準化后的兩風險因子為“尖峰”、“有偏”、“無自相關性”和“異方差性”的獨立同分布平穩序列，進而說明本文采用的均值方程及波動模型能夠有效地刻畫兩風險因子的分布特征。

（四）Copula函數的參數估計結果及分析

為準確刻畫我國股市市場風險與流動性風險之間的相關結構，本文選擇5種常用的靜態Copula函數來考察兩風險之間的靜態相關結構，以及采用時變正態Copula函數和時變t Copula函數來刻畫兩風險之間的動態相關結構。其中，5種靜態Copula函數的相關參數估計結果如表5所示；兩種動態Copula函數的參數估計結果如表6所示；同時，兩風險之間的動態相關性如圖2所示。

表5 靜態Copula函數的相關參數估計結果

表6 時變Copula函數的相關參數估計結果

圖2 時變Copula函數的相關系數

從表5可看出，在靜態的Copula模型中，靜態t Copula函數的似然值最小，其次是Gumbel Copula函數，最大的則是Clayton Copula函數，因此，從似然值指標來看，靜態t Copula函數比其他靜態Copula函數更能刻畫我國市場風險與流動性風險之間的相關結構。另外，由于正態Copula函數與t Copula函數的相關參數亦是變量間的線性相關系數，而表5中正態Copula函數與t Copula函數的線性相關系數均不為1，則說明中國股市的市場風險與流動性風險之間并非完全正相關，從而說明若仍舊按照Bangia et al的做法，將流動性風險與市場風險進行簡單相加來測度兩者的整合風險，而不考慮這兩者之間的相關結構是不夠嚴謹的。因此，要準確測度市場風險與流動性風險的整合風險，就必須考慮兩者之間的相關結構。

從表5和表6中各模型的似然值來看，時變t Copula函數的似然值比最優的靜態t Copula函數的似然值更小，說明運用時變Copula函數描述的動態相關結構更符合我國股市市場風險與流動性風險的相關結構；同時時變t Copula函數的似然值也比時變正態Copula函數的似然值更小。因而說明我國股市的流動性風險與市場風險間的動態相關結構運用時變t Copula函數來描述更為準確。

從圖2可以看出，無論是用時變正態Copula函數還是用時變t Copula函數來描述我國股市市場風險與流動性風險的動態相關結構，均得出兩者的相關性不為1且基本在區間[-0.05，0.15]上，因而再次說明不能將市場風險和流動性風險進行簡單相加來測度兩者的整合風險。此外，我國股市的市場風險與流動性風險的相關性在大部分情況下均大于0，從而說明我國股市市場風險與流動性風險的正向相關性更強，也就是說當市場的流動性風險增大時，市場風險也會相應增大。于是，再次說明研究市場風險與流動性風險的整合風險是很有必要的，而且在研究市場風險與流動性風險的整合風險時，不考慮兩者之間的相關結構是不嚴謹的。

（五）整合風險VaR測度方法的Back-testing檢驗結果及分析

基于市場風險與流動性風險的相關結構，本文采用蒙特卡洛模擬方法來測度出整合風險的VaR值，并運用Kupiec和Christofersen返回測試方法對模型的穩健性進行檢驗，各模型的檢驗結果如表7所示。需說明的是，表7所示的檢驗結果是對經過5000次蒙特卡洛模擬測得的整合風險進行Backtesting檢驗而得到的結果。

表7 各整合風險測度模型的Back-testing檢驗結果

從表7中各模型的返回測試檢驗結果可知：在兩種基于時變Copula函數的測度模型中，無論在何種置信水平下，基于時變t Copula函數的測度模型其檢驗結果均比基于時變正態Copula函數的測度模型所得的檢驗結果更為優越，這說明運用具有厚尾性的學生t分布比運用正態分布更能捕獲市場風險因子及流動性風險因子的尾部信息，進而使得風險測度更為準確。這與流動性風險因子及市場風險因子為“有偏”的特征檢驗結果相符，同時與江紅莉等得出時變t Copula模型優于時變正態Copula模型的研究結果一致。

此外，在5種基于靜態Copula函數的風險測度模型中，只有在95%的置信水平下，基于t Copula函數的測度模型的檢驗結果優于基于Clayton Copula函數的測度模型所得的檢驗結果，在其他置信水平下，基于Clayton Copula函數的測度模型其檢驗結果均優于其他模型的檢驗結果。這說明中國股市流動性風險與市場風險在下尾的相關性較強，即說明當市場嚴重缺乏流動性導致流動性風險增大時，市場風險也將增大。這與張蕊等得到的中國股市流動性風險與市場風險在下尾的相關性較強的結果一致。

當然，從本文所選的模型來看，基于時變t Copula函數的風險測度模型其Back-testing檢驗結果在所有模型中的表現最好，說明運用時變t Copula函數對中國股市市場風險與流動性風險的相關結構進行刻畫，更能準確測度兩風險的整合風險。

基于以上實證結果及分析可知，在對中國股市市場風險和流動性風險之間的相關結構進行考察時，時變t Copula函數不僅比各靜態Copula函數更好，而且同樣比時變正態Copula函數更能準確刻畫兩風險的相關結構。另外，就整合風險測度模型的檢驗結果而言，基于時變t Copula函數的風險測度模型不僅比基于靜態Copula函數的風險測度模型更能準確測度整合風險，而且也比基于時變正態Copula函數的風險測度模型在測度整合風險上更為優越，是測度我國市場風險與流動性風險整合風險的最優模型。

四、結論

本文針對當前研究流動性風險與市場風險的整合風險時并未考慮兩者相關結構的問題，引入2種時變Copula函數及5種靜態Copula函數來刻畫兩者的相關結構。在運用ARMA-t模型及GARCH-t模型分別對流動性風險因子和市場風險因子的邊緣分布進行估計后，再運用Copula函數對兩風險因子的相關結構進行考察，進而運用蒙特卡洛模擬法測度出整合風險的VaR值，最后運用規范的返回測試檢驗方法對模型的穩健性進行檢驗，得到相關結論如下：

1.通過對中國股票市場風險與流動性風險的相關結構進行考察，得出中國股市的市場風險與流動性風險并非完全正相關，因而如果不考慮兩者之間的相關結構，直接將兩風險進行簡單相加來測度整合風險，則可能出現不準確的風險測度結果。

2.通過對中國股市市場風險與流動性風險的相關結構進行考察，發現中國股市市場風險與流動性風險的相關結構更符合于動態的相關結構，而且這種動態的相關結構，能夠用時變t Copula函數進行準確地刻畫。

3.在對考慮了相關結構之后的整合風險進行測度時，基于時變t Copula函數的風險測度模型不僅優于基于靜態Copula函數的風險測度模型，而且同樣比基于時變正態Copula函數的風險測度模型更能準確測度市場風險與流動性風險的整合風險。

由以上結論可知，投資者及風險管理者要實現有效地管理我國股市市場風險與流動性風險的整合風險，則不僅不能忽略兩風險之間的相關結構，而且還必須對兩者的相關結構進行準確刻畫，從而才能更為準確地測度整合風險，進而實現對整合風險的有效管理。當然，對于要維護金融市場穩定和健康運行的我國市場監管者而言，亦是如此。

［1］張蕊，王春峰，房振明，梁葳.市場風險與流動性風險整合風險度量研究［J］.北京理工大學學報（社會科學版），2010（15）：18-22.

［2］Bangia A，Diebold F，Schuerman T，Stroughair J.Modeling liquidity risk，with implications for traditional market risk measurement and management.Working Paper，University of Pennsylvania，December 21，1998.

［3］Angelidis T，Benos A.Liquidity Adjusted value-at-risk Based on the Components of the bid-ask Spread［J］.Applied Financial Economics，2006，16（11）：835-851.

［4］劉曉星，邱桂華.基于買賣價差的我國股票市場流動性調整的風險價值研究［J］.當代經濟管理，2008（8）：83-87.

［5］張金清，李徐.流動性風險與市場風險的集成度量方法研究［J］.系統工程學報，2009（2）：154-172.

［6］張堯庭.連接函數（Copula）技術與金融風險分析［J］.統計研究，2002（4）：48-51.

［7］Cherubini U，Luciano E，Vecchiato W.Copula method in Finance［M］.Chichester：John Wiley，2004.

［8］江紅莉，何建敏，胡小平.基于時變Copula的La-VaR測度研究［J］.重慶大學學報（社會科學版），2013（3）：27-32.

［9］張錚，李怡宗，張玉龍，劉翔.中國股市流動性間接指標的檢驗——基于買賣價差的實證分析［J］.經濟學（季刊），2013（1）：233-262.

［10］Andreas A，Timotheos A.Idiosyncratic Risk，Returns and Liquidity in the London Stock Exchange：A Spillover Approach，2008.http：//ssrn.com/abstract=1083997.

［11］王明濤，莊雅明.股票市場流動性風險計量模型研究［J］.中國管理科學，2011（2）：1-9.

［12］林宇.基于雙曲線記憶HYGARCH模型的動態風險VaR測度能力研究［J］.中國管理科學，2011（6）：15-24.

［13］Kupiec P.Techniques for Verifying the Accuracy of Risk Measurement Models［J］.Journal of Derivatives，1995，（3）：73-84.

［14］Christoffersen P F.Evaluation Interval Forecasts［J］.International Economic Review，1998，39（4）：841-862.

［15］Loebnitz K.Market Liquidity Risk：Elusive No More Defining and Quantifying Market Liquidity Risk［D］.Twente University，2006.

［16］林輝.流動性調整的風險價值模型及其實證研究［J］.科技與經濟，2010（2）：93-96.

［17］Giot P.Market Risk Models for Intraday Data［J］.European Journal of Finance，2005，11（4）：309-324.

［18］Patton A J.Modeling Time-varying Exchange Rate Dependence Using the Conditional Copula［R］.Department of Economics，San Diego，University of California，2001.

［19］Patton A J.Modeling Asymmetric Exchange Rate Dependence［J］. International Economic Review，2006，47（2）：527-556.

（責任編輯：盧艷茹；校對：龍會芳）

F830.9

A

1006－3544（2015）02－0054－08

2015-01-07

國家自然科學基金資助項目（71171025）；四川省軟科學研究計劃資助項目（2014ZR0093）；成都理工大學“金融與投資”優秀創新團隊計劃資助項目（KYTD201303）

覃小兵（1990-），男，四川內江人，成都理工大學商學院碩士研究生，研究方向為金融工程、流動性風險；唐曉華（1976-），女，四川廣漢人，四川工商職業技術學院講師，研究方向為國際貿易與風險管理；林宇（1973-），男，四川儀隴人，博士，成都理工大學商學院副教授，研究方向為金融風險管理、金融市場與公司理財。