基于Copula函数的行业信用风险相关性研究

发布时间：2017-06-19 12:18

  本文关键词：基于Copula函数的行业信用风险相关性研究，由笔耕文化传播整理发布。

【摘要】：信用风险是一类重要的金融风险,也是金融界始终关注的问题。随着金融市场的开放程度不断增强,经济主体间的经济联系越来越紧密,信用风险呈现出新的特点,即信用风险相关性。往往会出现一个经济主体的信用违约事件会在短时间内传染到其他经济主体,导致其他经济主体信用状况的恶化甚至破产。这就使得小范围的信用风险可能通过经济主体之间的传染和扩散导致整个经济环境的不稳定,引发严重的金融危机。在信用风险传染事件不断发生的背景下,只考虑单个经济主体的信用风险已经不能适应复杂的金融环境的变化,信用风险相关性的研究在信用风险管理中占有越来越重要的地位。本文围绕行业信用风险的度量和相关性研究两个问题展开,在对信用风险及其相关性理论进行系统分析的基础上,结合KMV模型和Copula函数构建行业信用风险相关性研究框架。本文具体的工作如下:首先对KMV模型进行修正,从单个上市公司的角度验证了KMV模型的违约距离对上市公司信用风险的识别能力,为宏观层面的行业信用风险的衡量指标的构建提供了微观基础;然后以批发业和零售业为例,基于对单一Copula函数相关性特点的实证分析,本文构建了M-Copula函数拟合两行业违约距离之间的相关结构,分析两行业信用风险的相关性。研究结果表明,不同的Copula函数分别侧重不同的相关性特征描述,单一的Copula函数只能描述两行业违约距离相关结构的一个侧面;而M-Copula函数能够很好地描述批发业和零售业违约距离相关关系,灵活地捕捉两行业违约距离相关性特征的变化。通过对批发业和零售业违约距离的相关结构分析发现,两行业信用风险之间存在非对称的相关关系,并且在下尾部具有较强的相关性,说明当其中一个行业的信用风险变大时,另一个行业的信用风险也随之变大的可能性大大增加,即信用状况恶化时两行业信用风险的相关性明显增强。商业银行在选择信贷组合时,要将行业信用风险的相关性考虑在内,不要过度集中于这两个行业或者与其类似的两个行业,避免因两行业较强的下尾部相关性造成信贷组合在遭受负的冲击时信用风险的急剧恶化。
【关键词】：信用风险 相关性 KMV模型 Copula函数
【学位授予单位】：山东财经大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：F831.5;F224
【目录】：

• 摘要6-7
• Abstract7-11
• 第1章 绪论11-23
• 1.1 研究背景和研究意义11-13
• 1.1.1 研究背景11-12
• 1.1.2 研究意义12-13
• 1.2 文献综述13-18
• 1.2.1 信用风险度量研究综述13-15
• 1.2.2 信用风险相关性研究综述15-18
• 1.2.3 总体评价18
• 1.3 研究思路和内容18-21
• 1.3.1 研究思路18-20
• 1.3.2 研究内容20-21
• 1.4 创新点与不足21-23
• 1.4.1 论文创新点21-22
• 1.4.2 论文不足和改进方向22-23
• 第2章 信用风险相关性理论与度量23-37
• 2.1 信用风险及其形成原因23-25
• 2.1.1 信用风险23
• 2.1.2 信用风险形成的原因23-25
• 2.2 信用风险相关性及其影响因素25-27
• 2.2.1 信用风险相关性25
• 2.2.2 信用风险相关性的影响因素25-27
• 2.3 信用风险度量模型-KMV模型27-29
• 2.4 信用风险相关性度量-Copula函数29-36
• 2.4.1 Copula函数定义及其分类30-33
• 2.4.2 Copula函数的参数估计方法33-34
• 2.4.3 Copula函数的评价方法34
• 2.4.4 基于Copula函数的相关性测度34-36
• 2.5 本章小结36-37
• 第3章 行业信用风险衡量指标的选择37-46
• 3.1 KMV模型的修正37-38
• 3.1.1 股权市场价值问题37
• 3.1.2 违约点问题37-38
• 3.2 违约距离的识别能力分析38-44
• 3.2.1 样本的选取及数据来源38-39
• 3.2.2 违约距离的的计算39-42
• 3.2.3 违约距离对信用风险的识别能力分析42-44
• 3.3 行业信用风险衡量指标的构建44-45
• 3.4 本章小结45-46
• 第4章 基于Copula函数的行业信用风险相关性实证分析46-59
• 4.1 样本的选取46-47
• 4.2 基于Copula函数的实证研究47-55
• 4.2.1 边缘分布的确定47-50
• 4.2.2 Copula函数的选取50-51
• 4.2.3 单一Copula函数的参数估计结果与评价51-53
• 4.2.4 M-Copula函数的参数估计结果与评价53-55
• 4.3 批发业与零售业行业信用风险相关性分析55-57
• 4.4 本章小结57-59
• 第5章 结论与相关政策建议59-61
• 5.1 研究结论59-60
• 5.2 政策建议60-61
• 总结61-62
• 参考文献62-66
• 致谢66

【参考文献】

中国期刊全文数据库 前10条

1 李钰;朱卫兵;;KMV模型在我国的实务化[J];财经科学;2009年03期

2 罗长青;欧阳资生;;基于藤结构Copula的多元信用风险相关性度量模型及其比较[J];财经理论与实践;2012年06期

3 熊正德;冷梅;;KMV和Apriori算法在上市公司信用风险传染中的应用[J];湖南大学学报(社会科学版);2010年03期

4 薛锋;董颖颖;石雨欣;;上市公司违规行为对违约距离和预期违约率影响的实证研究——兼论KMV模型的修正[J];经济管理;2005年20期

5 赵丽琴;戎爱萍;;信用风险度量及其组合管理中的相关性研究——Copula函数的引进[J];经济问题;2008年08期

6 白保中;宋逢明;朱世武;;Copula函数度量我国商业银行资产组合信用风险的实证研究[J];金融研究;2009年04期

7 谢铨;;基于Copula的信用风险经济资本计量模型及应用[J];科学技术与工程;2011年17期

8 李磊宁;张凯;;KMV模型的修正及在我国上市公司信用风险度量中的应用[J];首都经济贸易大学学报;2007年04期

9 张智梅;章仁俊;;KMV模型的改进及对上市公司信用风险的度量[J];统计与决策;2006年18期

10 陈敏;彭志云;冯伟;邓飚才;;基于KMV模型的我国农业银行信用风险管理实证研究[J];统计与决策;2012年01期

中国博士学位论文全文数据库 前1条

1 刘琼芳;基于Copula理论的金融时间序列相依性研究[D];重庆大学;2010年

中国硕士学位论文全文数据库 前1条

1 安文俊;基于Copula的信用违约互换定价模型应用研究[D];华中科技大学;2010年

  本文关键词：基于Copula函数的行业信用风险相关性研究，，由笔耕文化传播整理发布。

本文编号：462512