1.3 本书结构安排

本书共分为六章，其中第一章为导论，其余各章是对具体问题的分析。本书的整体内容和布局结构将重点关注如下方面：一是详细介绍新近发展的金融风险测度方法EVaR及其相关的计算步骤；二是分析说明CARE模型与GARCH模型、局部参数估计和Lasso方法联合建模的估计步骤、估计方法和相关统计检验；三是关注各类模型在真实市场环境中的表现。本书具体的研究内容如下：

第二章系统介绍了金融风险管理的内涵、基本流程、金融风险测度的历史演进及其优缺点、金融风险溢出的度量方法等方面的国内外研究成果，是后续研究的重要理论参考。本章注重相关学术成果的总结。

第三章基于金融资产收益分布的特征将GARCH模型引入CARE模型中，对模型的参数估计步骤、估计性质等方面进行了相关理论演绎，其中参数估计步骤方面提出两步估计的方法；参数的小样本性质研究则通过模拟生成时间序列并通过GARCH-CARE模型进行估计，通过估计参数的绝对偏差和平均偏差验证模型参数估计的优良性质。实证验证方面通过对我国金融市场的上证综合指数、深证综合指数和沪深300指数进行研究，发现基于GARCH-CARE模型计算的EVaR较基于CARE模型计算的EVaR更为准确，同时基于GARCH-CARE模型计算的EVaR较另外两种风险测度VaR和ES在风险覆盖性测试方面表现更好。

第四章以结构变点在金融风险管理中的应用为切入点，通过引入非对称正态分布计算CARE模型估计中的极大似然函数，从而实现LPA方法和GARCH-CARE模型的完美结合，并给出参数的估计方法和统计检验方法。其中，参数估计的小样本性质依然通过模拟时间序列考察估计参数的绝对偏差和平均偏差的方式进行评估。实证验证方面通过对我国上证综合指数、深证综合指数和沪深300指数进行研究，发现附加时变效应的GARCHCARE模型计算的EVaR在捕捉极端风险方面较基于静态GARCH-CARE模型和库恩（Kuan, 2009）的CARE模型计算的EVaR表现更好。

第五章从金融资产间的风险溢出视角研究金融机构的相应性，考虑到金融科技的快速发展，金融机构间不仅仅呈现双边关联性，还越来越多地表现为复杂的网络相依结构，原有的测度资产双边尾部相关性的方法将面临统计上的巨大困难。本书根据贝茨等（Betz等，2016）提出的边际VaR思路衍生出边际EVaR概念，通过将Lasso方法引入高维CARE模型中，有效解决了高维CARE模型参数过多面临的统计难题。实证方面，本书通过对我国27个三级子行业尾部网络关联性进行研究，发现基于Lasso-CARE模型能够较好地刻画行业间的尾部网络关联结构，从而克服了传统研究的不足。

第六章是综合运用GARCH-CARE模型、LPA-CARE模型和Lasso-CARE模型对中国金融体系系统性风险进行研究。本书在模型构建方面，首先分析金融机构的风险影响因子，并使用Lasso-CARE模型对冗余风险因子进行剔除；其次使用局部参数方法给出了各金融机构的最优滚动窗口；最后根据GARCH-CARE模型计算基于CoVaR衍生的系统性风险测度CoEVaR。在此基础上，本书对各金融机构的系统重要性进行排名，分析金融机构的风险传染效应和金融子行业间的系统重要性，从而为监管当局进行宏观审慎监管提供科学依据。