中國股票市場行業(yè)組合風險研究

摘要：

股市是經(jīng)濟的晴雨表，股市中不同行業(yè)風險的組合計量對于金融市場和實體經(jīng)濟投資意義重大。文章采用高維動態(tài)C-Vine Copula前沿技術計量多維行業(yè)組合風險，并且與靜態(tài)C-Vine Copula作比較。結論顯示：高維動態(tài)C-Vine Copula計量的VaR每次都能通過UC檢驗和穩(wěn)定性測試，而靜態(tài)C-Vine Copula方法每次都不能通過回溯檢驗，表明高維動態(tài)C-Vine Copula優(yōu)于靜態(tài)C-Vine Copula，可以作為股市行業(yè)風險組合計量的一種新方法。

關鍵詞：高維動態(tài)C-Vine Copula；GPD；組合風險計量；VaR

中圖分類號：F830.91 文獻標志碼：A 文章編號：

10085831（2017）02004011

單一金融時間序列往往具有偏斜的尖峰厚尾特征；多維金融時間序列的聯(lián)合分布不一定是橢圓分布。對于多維金融時間序列來說，其內部相關很可能不是線性的，傳統(tǒng)的線性相關計量可能會導致錯誤結論。Sklar[1]引入的Copula函數(shù)能夠較好地解決非線性、非對稱相依計量問題，契合了多維金融時間序列的統(tǒng)計特征。自Embrechts[2]以來，Copula函數(shù)逐漸應用于金融研究領域，如Bouyé等[3]、Rockinger等[4]、Romano[5]、Embrechts等[6]、Rodriguez[7]、Ghorbel和Trabelsi[8]等。近期的文獻表明：高維化和動態(tài)化是Copula理論研究的前沿動向。在Copula函數(shù)行之有效的多維化拓展中，Vine-Copula代表了典型研究方向，Vine-Copula借助于Pair-Copula-Construction（PCC）構造可以實現(xiàn)降維目的，使“維度詛咒”問題得以克服，而PCC構造使得降維后多元變量之間兩兩相依的Copula種類選擇和參數(shù)擬合更為靈活。進一步賦予Vine-Copula參數(shù)以動態(tài)化，則產生高維動態(tài)Vine-Copula這一最新的研究方法，相關文獻主要有So和Yeung[9]、Reboredo和Ugolini[10]、杜子平等[11]、曹潔和程希駿[12]等。在Vine Copula的研究文獻中以C-Vine和D-Vine兩種特殊的Regular Vine（R-Vine）類型最為常見，本文采用C-Vine Copula結構進行多元相依建模。

股市數(shù)據(jù)作為金融時間序列的重要組成部分，采用Copula函數(shù)對其相依性計量的文獻也很多，如曹潔和程希駿[12]、Berger[13]、李強等[14]、Domino和Bachowicz [15]等。股市由各行業(yè)組成，各行業(yè)之間存在著復雜的作用機制，行業(yè)風險的組合計量方法可以擴展于測定股市整體風險，股市行業(yè)風險的研究為眾多學者所關注，如劉瓊芳和張宗益[15]、趙寧等[17]、張幫正和魏宇[18]、Righi和Ceretta[19]、Bartram和Wang[20]等采用Copula函數(shù)對股市行業(yè)風險進行了相依性研究。以往的股市行業(yè)風險研究方法，多數(shù)止步于傳統(tǒng)多元Copula，或者僅用Vine Copula對數(shù)據(jù)進行擬合，運用仿真尤其是動態(tài)仿真進而進行風險組合計量的研究較少。針對這一研究現(xiàn)狀，本文采用高維動態(tài)C-Vine Copula進行研究，邊緣分布通過極值理論的GPD模型擬合，有效刻畫金融時間序列的極值特征，C-Vine結構能夠突出高維變量中主導變量的作用，以PCC模塊突破“維度詛咒”，實現(xiàn)靈活的高維動態(tài)建模目的。研究過程中采用二階段建模方法：第一階段利用GJR-GARCH模型過濾原始序列，以GPD模型對過濾所得新息序列進行概率積分變換（PIT）；第二階段對PIT序列分別進行動態(tài)和靜態(tài)的C-Vine Copula建模比較。之后，通過（動態(tài)）Vine結構的仿真技術計量四維行業(yè)組合風險，對于投資者組合風險控制與監(jiān)管層多維風險監(jiān)管具有一定的啟示意義。舉一反三，希望此方法還可以推廣到更高維的甚至其他領域的研究之中。

一、理論基礎

（一）Copula、Vine Copula與風險計量

相較于傳統(tǒng)的建立在線性相關和正態(tài)分布基礎上的研究方法而言，Copula函數(shù)能夠把具有非正態(tài)分布特征和非線性相依關系的多維變量“連接”起來，Copula函數(shù)的這一優(yōu)越特性滿足了相互聯(lián)系的多維世界的大數(shù)據(jù)數(shù)理分析要求，使其獲得大范圍的運用，尤其在多維風險組合計量方面頗有價值。Copula函數(shù)的多維化具有廣闊的現(xiàn)實意義，傳統(tǒng)的多元Copula卻極不靈活，Vine Copula則可以實現(xiàn)降維目的，借助Pair Copula形式進行成對建模，賦予建模以模型種類和模型參數(shù)的靈活性，使多元Copula的計算大為簡化、更為可行，具有多重優(yōu)點。基于此，Vine Copula用作多維風險建模就有了現(xiàn)實意義，其利用Copula的連接屬性把若干風險變量以特殊的Vine結構粘連起來，能夠用來進行高維風險組合計量，這一用途逐步獲得認可，逐漸應用到金融風險研究領域。

（二）Vine的類型與排序

在Vine Copula的研究文獻中以C-Vine和D-Vine兩種特殊的Regular Vine（R-Vine）類型最為常見，其中C-Vine可以用來組織存在關鍵變量風險因子之間的多維Copula函數(shù)關系，而D-Vine則主要用來對不存在關鍵變量的多元Copula函數(shù)進行描述，而介于C-Vine和D-Vine之間也有很多其他的Vine類型。在Vine的排列中，第一棵樹的排列尤為重要，它決定了之后樹的結點和邊的構造。對于第一棵樹，C-Vine需要將關鍵變量置于根部，其余變量按照與根部的緊密關系依次排列；D-Vine也面臨著變量之間相關強度大小的問題，依據(jù)相關度大小排列成對變量，據(jù)以構成樹形圖，需要注意的是D-Vine中當一個變量被選擇兩次的時候，它不能在第一棵樹上形成新的Pair Copula對。本文的著重點在C-Vine類型的排序上。

二、高維動態(tài)Vine Copula的構建

賦予Vine Copula的參數(shù)動態(tài)化，即可得到動態(tài)Vine Copula。動態(tài)Vine Copula在賦予Copula函數(shù)特殊結構的同時，也賦予了Vine的結點、邊與Copula參數(shù)以動態(tài)化特征，是目前該學術領域的前沿研究方法。高維動態(tài)Vine Copula的構造根據(jù)Vine的類型不同而變化，高維動態(tài)Vine Copula的h函數(shù)的求解與數(shù)據(jù)仿真是一個難點，決定了該方法能否得以順利應用。h函數(shù)提法引自Aas等[21]。本文采用t-Copula函數(shù)形式開展研究，其動態(tài)h函數(shù)如式（4）。

本文采用兩階段建模方法擬合Vine結構，第一階段根據(jù)邊際分布模型參數(shù)進行概率積分變換，得到PIT序列，第二階段進行Vine結構的擬合。模型構建步驟如下。

（1）用GJR-GARCH-SKewT模型對多元收益率序列進行過濾，模型如式（1）所示：

繼而以相應閾值和參數(shù)的GPD模型去刻畫上下尾分布形態(tài)，以Epanechnikov核函數(shù)對數(shù)據(jù)中間區(qū)域進行平滑處理，得到較為滿意的PIT（概率積分變換）序列。

（3）對PIT序列進行動態(tài)Pair Copula建模，求出相應的時變相關系數(shù)序列，對其求均值。這里采用的是Pair-t-Copula函數(shù)，模型表示為式（3），其中，

（4）比較高維PIT序列的兩兩相關系數(shù)均值，分析是否存在主導變量，以確定Vine的類型和關鍵變量，如果存在主導變量，則采用C-Vine。

（5）本文選擇的是C-Vine結構，進而擬合邊和節(jié)點的參數(shù)。其中，一棵樹的邊是下一棵樹的節(jié)點，下一棵樹的節(jié)點由上一棵樹連接對應邊的兩節(jié)點擬合的（條件）Copula函數(shù)所對應的h函數(shù)求出。由此，不斷迭代，直到求出所有樹上的邊和節(jié)點的對應參數(shù)。當然這里的Vine結構參數(shù)和h函數(shù)值都是動態(tài)數(shù)組，其中動態(tài)化的h函數(shù)表示為式（4）所示：

這里帶有下標的ρij，t是時變的，其動態(tài)化演進服從式（5）所示的AR（1）過程：

三、高維動態(tài)Vine Copula的仿真

理論上，C-Vine Copula和D-Vine Copula的仿真算法形式是一樣的，如式（6）所示：

分別表示獨立的均勻分布元素和待仿真變量。由式（6），h逆函數(shù)對于Vine結構的倒推和數(shù)據(jù)仿真至關重要。對于動態(tài)Vine Copula，h逆函數(shù)是動態(tài)的。動態(tài)h逆函數(shù)的條件信息集存在多個變量，求解較為復雜，我們可以通過層層推導把條件變量一一剔除，求出最終解。本文采用C-Vine Copula結構開展研究，著重介紹C-Vine Copula的數(shù)據(jù)仿真方法。對于C-Vine來說，求解xit的推導過程如式（7），其中，xit表示要仿真的第i維變量，令w

但是，式（7）的嵌套表述是隱晦的、不直白的。接下來，為了表述方便，以靜態(tài)的第四維xi求解為例，展示這一求解過程，如式（8），動態(tài)的思路是一致的，只不過參數(shù)是動態(tài)的。

對于高維動態(tài)C-Vine的數(shù)據(jù)仿真來說，其計算過程是動態(tài)化的，動態(tài)參數(shù)由相應的動態(tài)型h函數(shù)和時變Copula函數(shù)求得，動態(tài)參數(shù)服從式（5）中的動態(tài)演進式。為了更為直觀地表達仿真計算過程，以x4t為例，畫出C-Vine的動態(tài)仿真路徑圖1，其中，W4為w4t的集合向量，X4為x4t的集合向量。

當通過式（7）、式（8）和圖1仿真出四維xit變量以后，對其按照兩階段建模法第一階段的模型和參數(shù)進行返回倒推，即可仿真出高維動態(tài)相關收益率序列，本文的仿真次數(shù)以10 000次為1組。

四、VaR與回溯檢驗

VaR表示資產收益率序列在一定顯著性水平下的分位數(shù)。求解VaR有歷史模擬法、方差—協(xié)方差方法和蒙特卡羅模擬法等。本文基于對高維數(shù)據(jù)動態(tài)C-Vine-Copula結構的Pair Copula分解，如果通過復雜的多重積分表達式采用方差—協(xié)方差方法，理論上是可以求出顯著性水平α下t時序的風險價值VaRt（α）的，然而這個方法在實際計算上不太可行。因此，本文借助Matlab編程實現(xiàn)蒙特卡羅模擬，按照擬合的高維動態(tài)C-Vine結構仿真多維數(shù)據(jù)，倒推出模擬收益率序列，每10 000個數(shù)據(jù)模擬實現(xiàn)之后，通過計算機按照相應的顯著性水平自動選擇位于數(shù)據(jù)排序左端的對應數(shù)據(jù)作為此10 000個數(shù)據(jù)組的1個VaR值，如此得出分別包含318個元素的VaR隨機序列組，將其與樣本外318個數(shù)據(jù)分別進行返回檢驗，觀察比較高維動態(tài)與高維靜態(tài)C-VineCopula的風險效果。VaR的回溯檢驗通過R語言編程實現(xiàn)，理論基礎是Kupiec[22]的UC檢驗理論，進而驗證模型的有效性。

五、數(shù)理分析

（一）數(shù)據(jù)預處理

本文對滬深300指數(shù)中的基建、銀行、運輸和地產四大行業(yè)指數(shù)從2006年1月4日到2014年4月30日的數(shù)據(jù)開展研究，研究對象為日間對數(shù)收益率rt=ln（Pt/Pt-1）100%，共2 018組數(shù)據(jù)。其中前1 700組四維數(shù)據(jù)用于模型擬合，后318組數(shù)據(jù)用來進行VaR的樣本外返回檢驗。研究過程中借助R和Matlab語言編程實現(xiàn)。本文選擇的四大行業(yè)具有典型特征：基建和地產是典型的資本密集型行業(yè)，是GDP投資乘數(shù)效應的主要因素，包含了政府直接投入和撬動的民間資本，運輸是實體經(jīng)濟繁榮程度的典型代表，銀行是實現(xiàn)貨幣乘數(shù)效應的典型中介，其造血和輸血功能對經(jīng)濟繁榮起到催化作用。這四大行業(yè)之間不是孤立的，基建的風險和地產風險本身具有交叉重疊部分，基建的增長顯然會為地產打造增值基礎，地產的繁榮會創(chuàng)造稅收，為基建形成資金來源，地產與基建的共同發(fā)展會創(chuàng)造就業(yè)、提高收入，借助于GDP的加速度效應為實體經(jīng)濟產生投資動能；同時地產與基建的投資增長也會對實體經(jīng)濟產生擠占效應，遏制實體經(jīng)濟投資增長；實體經(jīng)濟的興衰會體現(xiàn)到運輸行業(yè)上來，運輸行業(yè)又會對基礎建設產生需求變化，而銀行以信貸收縮與擴張的形式為三大行業(yè)的興衰產生順周期的或者熨平周期的貨幣行為，在此過程中實現(xiàn)息差利潤。如此，四大行業(yè)之間一定存在著某種復雜的關系，這四大典型行業(yè)的風險研究對于整個國家的經(jīng)濟風險具有指示意義。本文的研究數(shù)據(jù)取自國泰安數(shù)據(jù)庫。表1為四維序列的統(tǒng)計量表，顯見四維數(shù)據(jù)的尖峰厚尾性，Jarque-Bera統(tǒng)計量強烈拒絕正態(tài)性假定，數(shù)據(jù)分布具有左偏特性。

（二）平穩(wěn)性檢驗

本文運用模型對數(shù)據(jù)進行過濾之前必須對數(shù)據(jù)進行平穩(wěn)性檢驗，平穩(wěn)性是金融時間序列建模和預測的前提，相應的單位根ADF檢驗結果如表2所示，可見四種金融時間序列均強烈拒絕了單位根存在的原假設，沒有理由認為數(shù)據(jù)不是平穩(wěn)時間序列。

（三）自相關檢驗與波動性聚類判別

為了更好地進行數(shù)據(jù)建模，進行數(shù)據(jù)特征分析很有必要。以基建和地產為例，如圖1和圖2所示，序列顯示出輕微的自相關性和波動性聚類持久記憶特征。本文采用GJR-GARCH模型對數(shù)據(jù)進行處理，可以看到模型實現(xiàn)了預定效果。

（四）單個時間序列的模型提煉與數(shù)據(jù)過濾

由Glostern等[23]、Peiró[24]等文獻可以知道，GARCH過濾金融時間序列后的標準化殘差分布顯著偏斜，再加上股指收益率序列的波動性聚類和對正負新息沖擊的非對稱性特征，因此，本文采用GJR-SkewTQUOTE模型對序列進行擬合。結合本文研究數(shù)據(jù)，四種對數(shù)收益率序列均為尖峰厚尾的偏態(tài)分布，具有平穩(wěn)性，有輕微的序列相關性和偏斜特征，存在GARCH效應，同時對數(shù)據(jù)進行ARMA識別，發(fā)現(xiàn)均為0階。故而，本文采用ARMA（0，0）-GJR-SkewTQUOTE模型對序列進行擬合，相應的數(shù)學表達式見式（1），其中λi，ηi分別表示SkewT分布的偏斜度和形狀參數(shù)，擬合參數(shù)見表3 。

為了驗證ARMA（0，0）-GJR-SkewTQUOTE模型的實際效果，本文對過濾所得的標準殘差序列分別繪制自相關圖4和波動性聚類圖5，仍以基建和地產為例，從圖形中我們可以看到自相關性有進一步的削弱，而波動性聚類則基本消除，可以認為模型設定初步達到了預定效果。

（五）廣義帕累托分布（GPD）參數(shù)估計與擬合檢驗

金融序列尾分布的刻畫對于Vine Copula求VaR的準確性極其重要，合適的尾分布擬合對于研究結論很關鍵。為了進一步準確刻畫數(shù)據(jù)特征，本文對過濾的標準殘差再進行GPD尾部擬合，相應的GPD擬合參數(shù)如表4所示，其中括號內的閾值為上尾閾值，其余GPD參數(shù)均為下尾參數(shù)。

然后，本文對過濾得到的標準化殘差序列進行概率積分變換（PIT）。在PIT過程中，以相應閾值和參數(shù)的GPD模型去刻畫上下尾分布狀態(tài)，以Epanechnikov核函數(shù)對數(shù)據(jù)中間區(qū)域進行平滑處理，得到一個整體的序列特征分布組合（分布組合的擬合效果如圖6所示，仍以基建和地產為例），進而以此對殘差序列進行PIT，并進行K-S檢驗，結果顯示四組PIT序列均不能拒絕服從U（0，1）分布的原假設，如表4右半部分所示。這也就為高維動態(tài)Vine-Copula建模做好了準備工作。

（六）高維動態(tài)C-VineCopula結構的Pair-Copula分解

在接下來的研究中，為簡化起見，均選用t Copula函數(shù)進行研究分析。t Copula屬于橢圓類Copula的一種，能夠捕捉序列間的對稱性和厚尾性特征。本文選用t Copula只是一個次優(yōu)化選擇，感興趣的研究者完全可以把選擇的視野放寬，追求更優(yōu)擬合的Copula類型。盡管如此，我們仍然畫出四維行業(yè)變量兩兩t-copula的概率圖（7），顯見兩兩關系的對稱的厚尾形態(tài)，說明選擇t Copula開展研究是較為合理的。

在進行動態(tài)化建模之前需要確定Vine的類型，將t Copula參數(shù)的動態(tài)過程設為式（5），定義ρ=1n·nt=1Rij，t作為歸一化相關關系的測度指標，表5為四維變量動態(tài)歸一化相關表。由表5，可以比較出基建在與其他變量的相關關系中處于強勢地位，進而根據(jù)兩兩動態(tài)相關強度的大小可以依次排序為基建、運輸、地產和銀行。這一排序與我們的先驗知識相符，基建的投資規(guī)模最為宏大，運輸處于行業(yè)發(fā)展的紐帶與指示地位，超過了地產排在第二位，而地產和銀行則緊緊綁在了一起，說明地產的資本運作屬性，銀行為地產的信貸擴張所牽制。因此可以把基建確定為關鍵變量，這也就說明了Vine Copula的類型是C-Vine，根據(jù)強弱關系可以繪制出圖8的C-Vine結構圖，其中，數(shù)字1，2，3，4分別表示基建、地產、銀行和運輸四種行業(yè)指數(shù)收益率。

從參數(shù)表6可以看出，動態(tài)模型擬合效果較為理想，系數(shù)比較顯著，在考慮到條件Copula的因素以后，自由度明顯增大，對數(shù)似然絕對值明顯減少，參數(shù)顯著性有所下降，進一步說明了在以基建為條件變量時，地產和運輸，銀行和運輸，地產和銀行的相關性顯著減弱，進而表明基建在四維變量聯(lián)合分布中的主導作用。值得注意的是第一棵樹上的參數(shù)擬合值αij與βij的和都很接近于1，說明動態(tài)因素在動態(tài)相關系數(shù)的決定中相當活躍，βij遠大于αij，且參數(shù)估計很顯著，說明動態(tài)相關的一階滯后在動態(tài)相關的求解中起到了決定性作用；而第二、三棵樹上的系數(shù)顯著性較第一棵樹明顯降低，說明擬合參數(shù)值的波動域更寬，動態(tài)因素更強，也說明在第二、三棵樹上以基建為條件變量時，動態(tài)參數(shù)的影響增大。根據(jù)四維C-Vine動態(tài)結構的具體參數(shù)，畫出相應的兩兩動態(tài)相關圖9，可以看出考慮到條件因素后的相關圖波動更為劇烈，從某個方面說明基建變量在動態(tài)趨勢中的支配作用。以上分析與我們的先驗知識也是一致的，佐證了擬合結果的合理性。

（七）VaR的仿真與回溯檢驗

在確定了四維動態(tài)C-Vine Copula結構之后，按照該結構進行318×10000次的動態(tài)仿真，并且按照第二節(jié)中步驟（2）（1）的對應參數(shù)進行還原，模擬出包含318×10000個收益率仿真數(shù)據(jù)的數(shù)據(jù)集合，對于318次中每10 000次的仿真數(shù)據(jù)，通過計算機程序選擇排序左端對應顯著性水平的數(shù)值作為每10 000次仿真產生的一個VaR值，如此得到包含318個元素的VaR值序列組，然后運用318組樣本外數(shù)據(jù)進行返回檢驗，并且與靜態(tài)C-Vine的結果進行比較。

為了使研究更具有一般意義，隨機選取兩種組合比例分別為（25%，25%，25%，25%）與（10%，30%，20%，40%），所產生的對應的組合風險序列分別為VaR1和VaR2。

按照如上的方法進行仿真，求得1%，5%，10%三種顯著性水平兩種比例的VaR序列組VaR1和VaR2，與相應的樣本外數(shù)據(jù)比較。以5%顯著性水平VaR1的超越情形為例分別繪制動態(tài)和靜態(tài)模型的超越圖10-圖11，比較發(fā)現(xiàn)，動態(tài)模型較之靜態(tài)模型更能靈活捕捉變化的風險。最后運用Kupiec Test方法進行回溯檢驗，得到無條件覆蓋（UC）檢驗結論，如表7所示。而表8則證明了動態(tài)C-Vine模型風險計算結果的穩(wěn)定性。表7中可以看出，動態(tài)C-Vine模型每次都能通過回溯檢驗，而靜態(tài)C-Vine每次都不能通過檢驗，盡管其穩(wěn)定性較好，仍然認為動態(tài)C-Vine可以用于股市行業(yè)風險組合計量，靜態(tài)C-Vine模型則不符合風險建模要求。

根據(jù)投資學理論，我們知道馬科維茨投資組合有效集的最優(yōu)邊界即為有效前沿。結合上文，基于動態(tài)C-Vine Copula模型的VaR能夠在相應的顯著性水平下準確地捕捉到左尾極端風險事件，據(jù)此可以繪制出原始投資組合和動態(tài)C-VineCopula的資產組合有效前沿圖12。圖中與靜態(tài)C-Vine Copula作比較，發(fā)現(xiàn)動態(tài)和靜態(tài)C-Vine的資產有效前沿相較于原始投資組合均發(fā)生了形狀改變。靜態(tài)C-Vine由于模型設定問題，對于原始投資組合的風險傾向沒有準確刻畫，而動態(tài)C-Vine則完全擺脫了原始投資組合的軌跡，顯示理性投資者因為更準確地捕捉到風險而表現(xiàn)出風險厭惡，資產組合有效前沿完全左移，投資者因此采取保守型投資策略，規(guī)避風險帶來的損失。也進一步說明基于動態(tài)C-Vine Copula模型的風險計量對于投資者來說具有重要的現(xiàn)實意義。

七、研究結論與意義

本文運用兩階段建模方法開展研究：第一階段采用ARMA-GJR-GARCH模型和GPD模型擬合實現(xiàn)PIT序列；第二階段進行四維變量的動態(tài)C-Vine Copula建模。之后進行風險變量的仿真逆運算，并且與靜態(tài)C-Vine Copula的風險效果作比較，進一步分析資產組合前沿曲線的移動情形。

本文研究得出如下結論：（1）動態(tài)C-Vine Copula模型可以用于股市行業(yè)組合風險計量，而靜態(tài)C-Vine Copula模型則不滿足行業(yè)組合風險計量要求；（2）動態(tài)C-Vine Copula模型的有效前沿擺脫了原始投資組合的軌跡完全左移，顯示理性投資者因為更準確地捕捉到風險而表現(xiàn)出風險厭惡；而靜態(tài)C-Vine由于模型設定問題，無法準確刻畫資產組合有效前沿，相較于原始投資組合沒有固定的風險偏好或者厭惡傾向。

本文的研究意義在于：（1）研究過程中首次將極值理論GPD模型與高維動態(tài)C-Vine Copula結合起來開展研究，并與相應的靜態(tài)C-Vine Copula模型結論作比較；（2）研究結果為揭示多維行業(yè)風險之間的相依性提供了一種高效可行的方法，具有廣闊的經(jīng)濟含義，可以借助高維動態(tài)C-Vine Copula方法進行有主導變量的多維風險組合計量，以此計量結果為依據(jù)進一步估算經(jīng)濟資本。結合當前的巴塞爾新資本協(xié)議的全面風險管理要求，該研究結論對于金融監(jiān)管部門的多維行業(yè)風險監(jiān)測與調控具有一定的借鑒價值。參考文獻：

[1]SKLAR AFonctions de répartition à n dimention set leursmarges[J].Publication de I’Institut de Statistique de L’Universit-é de Paris，1959（8）：229-231

[2]EMBRECHTS P，McNEIL A，STRAUMANN DCorrelation： Pitfalls and alternatives[J].Risk，1999，12（5）：69-71

[3]BOUY E，DURRLEMAN V，NIKEGHBALI ACopulas for finance：A reading guide and some applications[R].Working Paper，F(xiàn)inancial Econometrics Research Centre，City University Business School，2000

[4]ROCKINGER M，JONDEAU EConditional dependency of financial series：An application of copulas[R].Working paper，HEC School of Management， France，2001

[5]ROMANO CApplying copula function to risk management[R].Rome：University of Rome，2002

[6]EMBRECHTS P，Hing A，JURI AUsing copulae to bound the valueatrisk for functions of dependent risks[J].Finance and Stochastics，2003（7）：145-167

[7]RODRIGUEZ J CMeasuring financial contagion：A copula approach[J].Journal of Empirical Finance，2007，14（3）：401-423

[8]GHORBEL A，TRABELSI AOptimal dynamic hedging strategy with futures oil markets via FIEGARCH-EVT copula models[J].International Journal of Managerial and FinancialAccounting，2012，4（1）：1-28

[9]SO K P，YEUNG Y TVinecopula GARCH model with dynamic conditional dependence[J].Computational Statistics and Data Analysis，2014，76：655-671

[10]REBOREDO J C，UGOLINI ADownside/upside price spillovers between precious metals：A vine copula approach[J].North American Journal of Economics and Finance，2015，34：84-102

[11]杜子平，閆鵬，張勇.基于“藤”結構的高維動態(tài)copula的構建[J].數(shù)學的實踐與認識，2009，39（10）：96-102.

[12]曹潔，程希駿.基于時變Paircopula的多資產投資組合VaR分析[J].中國科學技術大學學報，2011，41（12）：1047-1051.

[13]BERGER T.Forecasting valueatrisk using time varying copulas and EVT return distributions[J].International Economics， 2013，133：93–106.

[14]李強，周孝華，張保帥.基于Copula的我國臺灣和韓國股票市場相關性研究[J].管理工程學報，2014，28（2）：100-107.

[15]DOMINO K，BACHOWICZ T.The use of copula functions for modeling the risk of investment in shares traded on the Warsaw stock exchanges[J].Physica A：Statistical Mechanics and its Applications， 2014，413：77-85.

[16]劉瓊芳，張宗益.基于 Copula 房地產與金融行業(yè)的股票相關性研究[J].管理工程學報，2011，25（1）：165-169.

[17]趙寧，Winston T Lin，孫雪卿.基于Copula貝葉斯估計的行業(yè)風險差異分析[J].數(shù)學的實踐與認識，2015，45（10）：17-27.

[18]張幫正，魏宇.基于 R_Vine Copula 方法的上證行業(yè)指數(shù)相關性研究[J].北京理工大學學報（社會科學 版），2015，17（3）：100-108.

[19]RIGHI M B， CERETTA P S.Analyzing the dependence structure of various sectors in the Brazilian market：A Pair Copula Construction approach[J].Economic Modelling，2013，35：199-206.

[20]BARTRAM S M，WANG Y H.European financial market dependence：An industry analysis[J].Journal of Banking and Finance，2015，59：146-163.

[21]AAS K，CZADO C，F(xiàn)RIGESSI A，BAKKEN H.Paircopula constructions of multiple dependence[J].Insurance：Mathematics and Economics，2009，44（2）：182-198.

[22]KUPIEC P.Techniques for verifying the accuracy of risk measurement models[J].Journal of Derivatives，1995（2）：73-84.

[23]GLOSTENL R，JAGANNATHAN R，RUNKLE D E.On the relation between the expected value and the volatility of the nominal excess return on stocks[J].The Journal of Finance，1993，48（5）：1779-1801.

[24]PEIR A.Skewness in financial returns[J].Journal of Banking and Finance，1999，23（6）：847-862.