1.4 本书主要创新点

本书主要创新之处体现在如下方面：

第一，鉴于传统风险测度工具VaR和ES不满足风险的公理化定义，难以捕捉到极端事件出现时金融机构面临的尾部风险的缺陷，本书引入库恩（Kuan, 2009）提出的CARE模型，并将GARCH模型引入其中，从而开发出能够反映金融资产波动聚集性的模型——基于GARCH效应的CARE模型；本书基于蒙特卡洛模拟方法验证了参数的小样本性质，进而利用该模型求解新风险测度指标EVaR。实证研究表明，该方法在测度金融风险时较传统的VaR和ES表现更好。

第二，本书在更加精细化构造CARE模型的同时，考虑到静态CARE模型难以反映金融风险的时变特征，将局部参数估计方法（LPA）与GARCH-CARE模型紧密结合，开发出能够反映金融资产时变特征的结构变点GARCH-CARE模型。相比非参数方法的计算复杂、估计中窗宽选择难题和马尔科夫转移模型的转移参数提前设置、模型种类繁多的缺点，LPA方法计算简单，理解上更加直观。实证研究发现，基于LPA方法估计的GARCH-CARE模型较静态GARCH-CARE模型在计算EVaR更有优势。

第三，金融机构双边和多边相关性形成的网络关联关系是风险管理的重要研究内容。无论是上述的GARCH-CARE模型还是LPA-CARE模型均对单个或金融资产的风险有较好的刻画，却难以对大规模高维度的金融资产进行有效的风险度量。本书发展了期望分位数回归下的广义交叉验证准则，将Lasso方法引入高维CARE模型的估计过程，从而有效解决了多元金融资产的CARE模型的参数估计难题。本书进一步通过实证研究发现高维CARE模型能够较好地刻画机构或行业间的网络关联结构。

第四，本书将低维CARE模型和高维CARE模型有机结合对我国金融体系的系统性风险的测度进行联合建模，采用高维CARE模型对金融机构的风险影响因子进行降维处理，使用LPA-GARCH-CARE模型对单个金融机构的时变性、波动聚集性进行精准刻画，在此基础上衍生出能够反映时变特征、波动聚集特征和网络关联特征的CoEVaR系统性风险测度，为我国建立有效和全面的风险管理体系提供科学的依据。