基于La-Copula—EVT模型的我国股票市场风险价值研究

基于Ｌａ－Ｃｏｐｕｌａ—ＥＶＴ模型的我国股票市场　

风险价值研究　

谢福座，左柏云　

（广东商学院金融学院，广东广州５１０３２０）　

摘要：流动性是市场的生命力。本文结合相依结构函数Ｃｏｐｕｌａ和极值理论ＥＶＴ，构造我国股票市场经流　

动性调整的风险价值模型，并利用沪市２００６年到２００９年的数据进行了实证研究。结果表明，流动性风险和　

股票流通规模成反比，股票流通规模越小，交易一定金额股票时面临的流动性风险越大。交易金额是影响流　

动性风险的另一重要因素，随着交易金额的增加，流动性风险占总风险比例急剧增加。　

关键词：风险价值；Ｃｏｐｕｌａ函数；极值理论；流动性风险　

中图分类号：Ｆ８３０，９１　文献标识码：Ａ　文章编号：１６７２—６０４９（２０１０）０４—００５２—０７　

一

、

引言　

题。这个严格的假设在现实的市场中是难以满　

风险价值（Ｖａｌｕｅ　ａｔ　Ｒｉｓｋ，简称ＶａＲ），是指　足的，必须从风险计量的客观性和风险管理的目　

在一定概率水平下，某一金融资产或证券组合在　标出发，对传统的ＶａＲ和ＥＳ进行流动性调整。　

未来特定的一段时间内的最大可能损失…。　

大量的研究表明，金融收益率序列一般存在　

ＶａＲ已经发展成为现代风险管理的国际标准和　尖峰厚尾特征，正态分布或ｔ分布都不能很好地　

理论基础。但也存在诸多缺陷，一是没有考虑尾　

拟合收益率序列的分布。而极值理论（ＥＶＴ）具　

部风险，这可能会导致风险的低估。另外，它不　

有超越样本数据的估计能力，并可以准确地描述　

满足次可加性，不是一个一致的风险度量工具。　

分布尾部的分布。另外，在计算总体风险价值　

为了弥补这些不足，Ａｒｔｚｎｅｒ（１９９７）提出了预期不　

时，一般假设市场风险和流动性风险完全相关，　

足（Ｅｘｐｅｃｔｅｄ　Ｓｈｏｒｔｆａｌｌ，简称ＥＳ）的概念，ＥＳ度量　

通过将流动性风险加总在市场风险上，来衡量二　

的是损失超过ＶａＲ的尾部损失的平均值，代表　

者的总风险。显然该假设过于简单，不能正确的　

了超额损失的平均水平，并且是一个一致性风险　

描述二者之间的相关结构关系。相依结构函数　

度量工具。因此，结合ＶａＲ和ＥＳ的双风险门限　Ｃｏｐｕｌａ函数方法为这一问题的解决提供了思路，　

的监管，为金融结构提供了更加有效的风险度量　通过Ｃｏｐｕｌａ函数，可以很好地刻画市场风险和　

标准，目益受到各方的重视。　

流动性风险之间的相依结构，从而对市场风险和　

在ＶａＲ和Ｅｓ的计算中，通常假设无论投资　流动性风险进行整合。　

者的头寸多大，都可以在一个固定的交易时间　

二、文献综述　

（即持有期）内以一个固定的市场价格完成交　

在流动性风险研究方面，国外学者在该方面　

易。这意味着市场是无摩擦的，不存在流动性问　的研究主要集中于流动性概念、流动性指标构造　

收稿日期：２０１０—０４—１８　

作者简介：谢福座（１９８２一），男．广东河源人，广东商学院金融学硕士研究生，研究方向为国际金融；左柏云（１９４５一），男，湖南醴　

陵人，广东商学院金融学院教授，研究方向为国际金融、金融理论与政策。　

一

５２—　

等方面。对流动性风险本身的研究并不多。上　

世纪９０年代以来，随着ＶａＲ技术在风险管理方　

面的广泛应用，一些学者对传统的ＶａＲ方法进　

行扩展，提出了流动性调整的ＶａＲ模型（Ｌｉｑｕｉｄｉ．　

ｔｙ—ａｄｊｕｓｔｅｄ　ＶａＲ，简称ＩＪａ—ＶａＲ）。Ｂａｎｇｉａ等（１９９９）　

提出了著名ＢＤＳＳ模型　，将流动性风险分为外　

生流动性风险和内生流动性风险，并用流动性调　

整的ＶａＲ方法对做市商制度下流动性风险进行　

度量，为以后的研究奠定了基础。但ＢＤＳＳ模型　

型和Ｃｏｐｕｌａ函数建立Ｃｏｐｕｌａ－ＧＡＲＣＨ模型并对　

上海股市各板块指数收益率序列间的条件相关　

性进行分析。结果表明，不同板块的指数收益　

率序列具有不同的边缘分布，各序列间有很强　

的正相关关系，条件相关具有时变性，各序列间　

相关性的变化趋势极为相似。罗俊鹏（２００６）¨ｕ　

结合ＧＡＲＣＨ模型和ＥＶＴ来描述金融序列的边　

缘分布，运用Ｃｏｐｕｌａ对ＳＨＦＥ和ＬＭＥ期铝市场　

进行实证研究发现，椭球Ｃｏｐｕｌａ只能反映某些　

类型的相关性，Ｍ—Ｃｏｐｕｌａ对金融市场相关性的　

描述更全面。张金清、李徐（２００８）　１２］通过对不　

只考虑了外部流动性风险，而没有对内部流动性　

风险进行度量，同时只是简单将流动性风险加总　

在市场风险上得到Ｌａ—ＶａＲ。　

国内学者杜海涛（２００２）［６　３用ＶａＲ方法对我　

国股票市场流动性风险进行测度研究，结果表明　

上证市场的流动性要好于深圳市场的流动性，而　

个股的流动性风险对比情况也基本符合市场的　

实际。宋逢明、谭惠（２００４）　总结了关于如何　

把流动性风险度量纳入ＶａＲ模型已有的研究成　

果，并结合中国股票市场的实际特点，建立了一　

个对流动性风险进行调整的ＶａＲ模型，用以度　

量中国股票的价格风险和流动性风险，并以沪深　

同Ｃｏｐｕｌａ进行比较后指出，基于Ｆｒａｎｋ－Ｃｏｐｕｌａ和　

Ｃｌａｙｔｏｎ．Ｃｏｐｕｌａ计算的ＶａＲ优于其它Ｃｏｐｕｌａ函　

数，更优于使用多维正态分布或者多维ｔ分布的　

传统方法。鲁昌荣、孙华、何健敏（２００９）　１３］比较　

了用在险价值ＶａＲ和期望损失ＥＳ两种方法估　

算的保险业务风险的差异，并得出基于ＥＶＴ和　

Ｃｏｐｕｌａ函数得出的整合风险的经济资本额更能　

刻画保险业务的实际风险的结论。　

纵观国内外的研究，主要集中在构造流动性　

指标和对流动性风险价值进行度量。而结合　

Ｃｏｐｕｌａ理论和ＥＶＴ整合市场风险和流动性风险　

的研究尚不多。因此，本文着眼于利用Ｃｏｐｕｌａ　

理论和ＥＶＴ对我国股票市场的流动性调整ＶａＲ　

两市的Ａ股为样本进行了实证分析。结果证明　

考虑了流动性风险后，流动性差的股票其风险　

价值（ＶａＲ）显著大于传统的ＶａＲ模型测算的风　

险价值。王春峰、程鹏飞、房振明（２００７）　介绍　

了基于市场微观结构理论下的流动性与波动性　

之间的关系，建立了关于流动性与收益率及流　

动性与波动性之间的实证模型。研究结果表明　

在中国股票的市场中流动性与波动性存在着一　

种正相关的关系，进一步揭示了中国股市的价　

格行为。王敬、刘华（２００９）　从投资者实际面　

临的价格冲击人手，提出流动性风险的概念，定　

义了ＬＯＦ（Ｌｉｓｔｅｄ　Ｏｐｅｎ—ｅｎｄ　Ｆｕｎｄ）流动性风险　

和ＥＳ进行考察。　

三、相关模型介绍　

（一）极值理论（Ｅｘｔｒｅｍｅ　Ｖａｌｕｅ　Ｔｈｅｏｒｙ，简称　

ＥＶＴ）　

极值理论主要包括两类模型，即传统的　

ＢＭＭ模型（Ｂｌｏｃｋ　Ｍａｘｉｍａ　Ｍｅｔｈｏｄ）和近年来发展　

起来的ＰＯＴ（ｐｅａｋｓ　ｏｖｅｒ　ｔｈｒｅｓｈｏｌｄ）模型。ＢＭＭ模　

型是对大量同分布样本分块后的极大值进行建　

模，一般需要采用大量的数据，实际中难以满足　

指标Ｌ，并结合ＥＶＴ对我国２６只ＬＯＦ基金的流　

动性风险ＶａＲ和Ｅｓ进行了度量。刘晓星、邱桂　

这一条件。ＰＯＴ模型则是事先设定一个阈值，对　

样本数据中超过阈值的所有样本数据进行建模，　

即只是考虑对尾部的近似表达，而不需要对整个　

华（２００９）　通过构造新的流动性风险度量指　

标，结合ＥＶＴ的分析方法，考察了我国股票市　

场经流动性调整的风险价值及其预期不足。实　

证结果显示：从流动性风险的绝对量和相对量来　

分布进行建模，这就克服了其他度量方法在解决　

厚尾分布上的缺陷，其中，广义帕累托（ｐａｒｅｔｏ）分　

布（ＧＰＤ）是广泛应用的一种ＰＯＴ模型　¨　

设Ｘ　（ｉ＝１，…，凡）是独立同分布的随机变　看，沪市的流动性都比深市要好，但两者之间的　

差距不明显。　

量，它们的共同分布为Ｆ（　）：Ｐｒ（置≤　），选取　

一

Ｃｏｐｕｌａ理论近年在金融领域获得了广泛运　

个阈值ｕ，我们定义超过阈值ｕ的超额数Ｙ的　

用。韦艳华、韩世英（２００４）　结合ｔ－ＧＡＲＣＨ模　

一

条件概率分布为：　

５３—　

于下尾和中间部分的数据采用经验分布进行　

一

ｌ—　ｆ『Ｆ　上）　

，

ｙ＞０　

拟合。　

（二）Ｃｏｐｕｌａ函数　

这一方法最早由Ｓｋｌａｒ（１９５９）提出，ｎ维　

Ｃｏｐｕｌａ函数是指具有以下性质的函数Ｃ　

（．，…，．）　１４１：　

”　

（１）定义域为：，　＝［０，１］　；　

（２）Ｃ（．，…，．）具有零基面（ｇｒｏｕｎｄｅｄ）且是　

ｎ维递增函数的；　

（３）Ｃ（．，…，．）的边缘分布函数Ｃ　（・），／＇Ｚ　

＝

１，２，…，Ⅳ，且满足：　

其中，　（／ｔ）为“与有关的正函数表示尺度　

Ｃ　（／／．　）＝Ｃ（１，…１，Ｍ　，１，…１）＝“　其中“　

参数，　∈Ｒ是分布的形状参数，Ｇ　）ｇ是属于厚　

∈［０，１］，ｎ＝１，２，…，Ⅳ　

尾的Ｐａｒｅｔｏ分布。结合式（１）和（２），可得：　

很显然，如果Ｆ。（・），…，　（・）是一元分　

Ｆ（　）＝（１一Ｆ（　））Ｇ　，口（　（Ｘ—Ｍ）十Ｆ（Ｍ）Ｘ＞Ｕ　

布函数，则Ｃ（Ｆ。（　。），…，Ｆ　（Ｘ　））是一个边缘分　

（３）　

布为Ｆ。（・），…，Ｆ　（・）的多元分布函数。　

利用经验法则得到Ｆ（Ｕ）的估计为，（Ⅳ一　

下面介绍与Ｃｏｐｕｌａ函数相关的重要定理：　

Ｎ　）／Ｎ，』Ｊｖ是样本观测数，＿／ｖ　是样本中超过阈值　

Ｓｋｌａｒ定理：设Ｆ是边缘分布为Ｆ　（・），…，　

“的观测数。我们进一步得到：　

Ｆ　（・）的联合分布函数，那么存在一个Ｃｏｐｕｌａ　

Ｆ（　）＝１一　（１＋　）‘。　。＞“（４）　

函数Ｃ满足：　

Ｆ（ｘ　一，Ｘｉ，…，　，　）＝　（７）　

如果我们用ｘ来代表损失率（收益率的负　

Ｃ（Ｆ，（　，），…，Ｆ　（Ｘ　），…Ｆ，　（　））　

数）序列，我们可以用ＧＰＤ分布对损失Ｘ的上尾　

若Ｆ　（・），…，Ｆ　（・）连续，则Ｃ唯一确　

进行拟合，根据ＶａＲ的定义，我们可以推导出　

定；反之，若Ｆ，（・），…，Ｆ，　（・）为一元分布函　

ＶａＲ的计算公式：　

数，则（７）式确定的函数Ｆ是边缘分布为Ｆ。　

Ｖａ　“＋　（（　㈠一　（５）　

（・），…，Ｆ，　（・）的联合分布函数。　

利用Ｃｏｐｕｌａ函数和Ｓｋｌａｒ定理，风险管理者　

其中ｑ表示置信水平，我们一般取０．９５或　

可以把任意１１个一元边际分布函数构造成不同　

０．９９，根据ＥＳ的定义，我们进一步求得期望损失　

的多元分布函数，达到将边缘分布和变量间的相　

ＥＳ　的计算公式为：　

关结构分开来研究的目的，使建模和分析的过程　

：　＋　㈩　（６）　

更加清晰和容易。　

（三）流动性指标选取与流动性调整的风险　

ＰＯＴ模型首先是要确定阈值／ｔ，它是正确　

价值计算　

估计　，　（“）的前提。在实际操作中，我们通常　

本文从投资者的角度出发，构建流动性测度　

利用平均剩余寿命图（Ｍｅａｎ　ｅｘｅｅｓｓ　ｐｌｏｔ）、Ｈｉｌｌ　

指标如下：　

图来对其进行估计，而Ｄｕ　Ｍｏｕｃｈｅｌ（１９８３）则认　

为样本中超出阈值的个数应约为样本总数的　

（８）　

１０％，由此来确定阈值。估计出阈值“之后，可　

其中Ｐ…，代表日最高价格，Ｐ　代表日最低　

利用极大似然估计法估计参数　和　（“）。研　

价格，　为当日成交金额。该指标的分子为股价　

究表明，广义帕累托（ｐａｒｅｔｏ）分布（ＧＰＤ）能够　

的日波动率，可理解为日价差，这样　，可以理解　

对序列的尾部进行很好的拟合，因此本文选择　

为一个交易Ｅｌ内单位成交金额所导致的最大价　

使用广义帕累托（ｐａｒｅｔｏ）分布（ＧＰＤ）对损失率　格变动。该指标形式简单，却已经覆盖了深度和　

序列和流动性指标序列的上尾进行建模，对处　宽度，是一个较为全面的流动性指标。进一步，　

．————

５４　．——　

由该指标我们可以计算股票的变现损失率：假设　

信水平ｇ下的Ｌａ—ＶａＲ用　（１］，…，　㈩的ｑ分位数　

在一个交易日内变现股票金额为　，　变现损失　

近似，Ｌａ—ＥＳ用　【ｌ１，…，ｚ㈩中超过ｑ分位数的元　

率为：　

素的平均值近似。　

ＬＲ　＝Ｌ　Ｖｏ　（９）　四、数据选取与实证分析　

其中，，Ｊ　为前面介绍的流动性测度指标，ＬＲ，　

（一）数据选取与处理　

为变现损失率，表示投资者在一个交易日变现金　大量研究表明沪市与深市的市场特性基本　

额　的股票的变现损失率。设资产在ｔ时刻资　

一

致，因此本文拟在沪市做实证研究。为了尽量　

产损失率（资产收益率的相反数）为Ｒ　，则我们　使数据具有代表性，本文参考雅虎财经网站的指　

可以定义ｔ时刻经流动性调整的资产损失率（资　南针行业划分，选取了９个不同行业（房产建筑、　

产收益率的相反数）为：　酿酒饮食、钢铁板块、机动车、电力能源、化工板　

ＬａＲ　＝Ｒ。＋ＬＲ　（１０）　

块、纺织服装、医药板块、通信板块），每个行业按　

由公式（８）～（１０），我们进一步得到：　照流通盘大小各取三只股票，作为大、中、小盘股　

ＬａＲ　：一Ｉｎ（ｐ，／ｐ，．．）＋［　］　

的代表①。样本考察期为２００６年１月１　Ｅｔ至　

２００９年５月３１日，所有数据均来源于大智慧软　

（１１）　

件。对于因故停牌等原因造成数据缺失的股票，　

其中Ｐ，表示股票在ｔ日的收盘价格，本文按　

将其上一个交易日的数据默认为当日缺失数据。　

此时定义的ＬａＲ，来计算经流动性调整的ＶａＲ，　

对每个交易日的收益率做如下处理：先求交易数　

记为Ｌａ—ＶａＲ；流动性风险记为Ｌ—ＶａＲ，表示流动　

据的对数收益率，乘以１００倍以减少计算误差，　

性变化引起的风险价值；而不考虑流动性风险时　

然后取其相反数变成损失，即：　

纯粹由价格波动导致的风险价值记为ＶａＲ，由定　

Ｒ　＝一１００：ｌ＝Ｉｎ（ｐｆ／ｐ　一１）　

义可以知道Ｌａ—ＶａＲ是Ｌ—ＶａＲ与ＶａＲ之和。按　

其中，尺　为ｔ日股票的负百分比收益率，ｐ　

同样道理，我们也可以构造市场预期不足ＥＳ、流　

表示股票在ｔ日的收盘价格。由前面变现损失　

动性预期不足Ｌ．ＥＳ，经流动性调整后的Ｌａ—ＥＳ。　

率的定义知道，变现损失率和变现金额　的大　

我们利用前面介绍的ＥＶＴ来求解Ｆ　和，　。然　

小正相关，本文选取Ｖｏ＝１，０００，０００元。同时为　

后根据与实际数据的拟合情况，从常用Ｃｏｐｕｌａ　

了与对数收益率一致，变现损失率ＬＲ　亦乘以　

函数中寻找最优的Ｃｏｐｕｌａ函数ｃ。结合Ｃｏｐｕｌａ　

１００，即　

函数Ｃ和边缘分布函数Ｆ．和Ｆ　，我们模拟得到　

ｒ　Ｐ　—Ｐ　、／ｐ　

Ⅳ组Ｒ　与　的数据，假设为（　。，Ｙ。），…，（　，　

ＬＲ　＝１００　ｆ∑　］　ｉ００００００　

‘　一　

Ｙ　），进一步得到数列　。，…，　，满足　＝　＋Ｙ　。　由于篇幅所限，本文只给出青岛啤酒的具　

按从小到大顺序对。。，…，ｚ　排序得到顺序统计　

体实证过程，其它股票直接给出计算结果。实　

量　（１１，…，ｚ（１￣），满足＝（１、＜　（２）　＜，…，　（ｖ），置　证中的计算过程通过Ｓ～Ｐｌｕｓ８．０软件得到。　

表１数据基本统计描述　

（二）正态检验　

因此两序列均不服从正态分布。　

表１数据基本统计描述表明和的偏度和峰　

（三）计算Ｌａ—ＶａＲ和Ｌａ—ＥＳ　

度偏离正态分布对应的０和３，而Ｊａｒｑｕｅ－Ｂｅｒａ检　接下来，我们采用前面介绍的广义帕累托分　

验值远大于５％显著性水平下的临界值５．９９，　布ＧＰＤ对和上尾进行拟合。选取适当阈值后，　

①注：大、中、小盘股的概念股票市场的发展不断变化，并没有统一的标准，目前一般认为流通盘在１亿股以下的为小盘股，流通盘　

在１—３亿的为中盘股，超过３亿的为大盘股，本文将依此标准对股票进行划分。　

５５—　

利用极大似然法（或概率加权矩法）计算得到最　

终的ＧＰＤ分布参数估计值如表２，诊断图１表明　

序列尾部拟合结果比较好。将对应参数代入公　

式（３）中可以得到边缘分布，分别为Ｕ、Ｖ。根据　

边缘分布，我们计算得到青岛啤酒ＶａＲ＝５．６０、Ｌ　

—

们利用利用Ｕ、Ｖ序列作为ｃｏｐｕｌａ观测值，运用　

不同的Ｃｏｐｕｌａ函数对其参数进行估计，根据极　

表２阈值和ＧＰＤ分布中的参数估计结果　

ＶａＲ＝０．２７、ＥＳ＝７．５０、Ｌ—ＥＳ＝０．３８．最后我　

１　ｉｔ　Ｒ　ｆ

ｔａｉｌｆｉｔａｆＵ　

图１　资产损失率和变现损失率的尾部拟合诊断图　

大似然函数值ｌｏｇｌｉｋｅ最大及ＡＩＣ、ＢＩＣ、ＨＢ最小　用Ｃｏｐｕｌａ整合之后的总体风险一般小于市　

的原则，我们选取Ｎｏｒｍａｌ　Ｃｏｐｕｌａ函数对序列Ｕ、　

Ｖ进行拟合。　

利用边缘分布函数Ｕ、Ｖ及Ｎｏｒｍａｌ　Ｃｏｐｕｌａ函　

数，模拟Ｒ　与ＬＲ　的数据。这里我们分别模拟１　

万次、５万次、１Ｏ万次。计算各模拟次数下青岛　

啤酒的Ｌａ—ＶａＲ和Ｉ丑一ＥＳ。同时，为了考察流　

动性风险对总风险的影响，我们定义流动性风险　

价值占总风险价值的比率Ｌ—ＶａＲ％（按同样道理　

我们可以定义Ｌ—ＥＳ％）如下：　

Ｌ　ＶａＲ％：—Ｌａ

Ｖ

ａ

Ｒ　Ｖ

ａ

Ｒ　１００％　

－

场风险和流动性风险的简单加总，因为风险之间　

可能存在相互抵消的效应，简单地将风险加总容　

易造成风险高估。　

＿　

＝

Ｌａ

＿

ＶａＫ　

－　

Ｌ　ＥＳ％：—Ｌ

ａ　

Ｅ

Ｓ

＿

———

＿

Ｅ

Ｓ

—

Ｌａ／￣　

．＝　

：ｌ：１００％　

交易金额（自刀）　

经过计算，我们得到青岛啤酒Ｌ—ＶａＲ％＝　

２．３％，Ｌ

—

图２流动性风险所占比重与交易金额的关系图　

ＥＳ％＝１．８％。按照同样的分析方法，　

在前面的分析中，我们假设Ｖ。＝１０万元，并　

以此计算各股票风险及预期不足。然而从公式　

（１２）和（１４）我们容易看出流动性风险的大小和　

交易金额密切相关，一般说来，交易金额越大，交　

我们计算得到所有股票的风险价值及预期不足　

结果，见表３。容易看到，各股票的市场风险差　

异不大，而流动性风险和流通盘规模的大小成反　

比。大盘股的流动性风险较小，流动性风险价值　

占总风险价值的比率Ｌ—ＶａＲ％平均为１％，而中　

盘股这一比例平均为６％，小盘股平均为１１％。　

一

易所导致的流动性溢价（或折价）将增大，仍然　

以青岛啤酒为例，我们通过改变交易金额，得到　

流动性风险所占比重与交易金额的关系图（图　

５６—　

２）①，从图２可以看到流动性风险的大小和交易　

金额的大小有较强的正相关，随着交易金额的增　

加，流动性急剧降低，导致市场人气不足、市场恶　

化，甚至形成“流动性黑洞”。　

表３各股票风险价值及预期不足估计（９５％置信水平）　

五、结论　

市场风险和流动性风险的简单加总，这充分反映　

了市场风险和流动性风险存在部分相互抵消的　

效应。交易金额是影响流动性风险的另一重要　

因素，随着交易金额的增加，流动性风险占总风　

险比例急剧增加，甚至可超过８０％。投资者（特　

别是机构投资者）在进行投资决策时，应该综合　

考虑交易策略，一次性大量买卖股票将引起流动　

流动性风险是投资者需要考虑的重要因素，　

对流动性风险缺乏认识，将使投资者低估其资产　

风险。本文以股票流通规模为标准，从大中小盘　

股中各取４只股票进行研究。实证分析结果表　

明：流动性风险和流通规模成反比，股票流通规　

模越小，其交易一定金额的股票时面临的流动性　

风险越大，在交易金额为１００万元时，小盘股有　

的个股面临的流动性风险比例超过总风险的　

性溢价（折价），使投资收益受到损害。　

１５％，同时，用Ｃｏｐｕｌａ整合之后的总体风险小于　

①计算过程并未考虑我国涨跌停因素的限制。特别是对于小盘股来说，成交金额较大时，风险度量值有可能超过涨跌停范围。但　

从理论上来说仍然有意义，能够反映流动性风险变化规律。　

一

５７—　

参考文献：　

ｕｌａ—ＧＡＲＣＨ模型及其应用［Ｊ］．系统工程，２００４　

［１］王春峰．金融市场风险管理　Ｍ］．天津：天津大学出　

（４）：７—１２．　

版社，２００１．　

［１１］罗俊鹏．基于Ｃｏｐｕｌａ的金融市场的相关结构分析　

［２］粱崴．考虑市场风险与流动性风险的Ｌａ—ＶａＲ资产　

［Ｊ］．统计与决策，２００６（１６）：１３２—１３４．　

组合风险管理［Ｄ］．天津：天津大学，２００６．　

【１２］张金清，李徐．资产组合的集成风险度量及其应　

３］史道济．实用极值统汁方法　Ｍ］．天津：天津科学技　

用——基于最优拟合Ｃｏｐｕｌａ函数的ＶａＲ方法［Ｊ］．　

术出版社，２００６．　

系统工程理论与实践，２００８（６）：１４—２１．　

［４］刘晓星，邱桂华．基于极值理沦的我国股票市场流　［１３］鲁昌荣，孙华，何健敏．基于ＥＶＴ和Ｃｏｐｕｌａ的保险　

动性调整ＶａＲ和Ｅｓ研究：Ｊ］．广东商学院学报，　

业经济资本的估算［Ｊ］．统计与决策，２００９（１４）：　

２００９（３）：８６—９２．　

１１一ｌ３．　

［５］Ａｎｉｌ　Ｂａｎｇｉａ，Ｆｒａｎｃｉｓ　ｘ．Ｄｉｅｂｏｌｄ，Ｔｉｌ　Ｓｃｈｕｅｒｍａｎｎ　ａｎｄ　

［１４］韦艳华，张世英．Ｃｏｐｕｌａ理沦及其在金融分析上的　

Ｊｏｈｎ　Ｄ．Ｓｔｒｏｕｇｈａｉｒ：Ｍｏｄｅｌｉｎｇ　Ｌｉｑｕｉｄｉｔ）Ｒｉｓｋ，Ｗｉｔｈ　Ｉｍ—　

应用［Ｍ］．北京：清华大学出版社，２００８．　

ｐｌｉｃａｔｉｏｎｓ　ｆｏｒ　Ｔｒａｄｉｔｉｏｎａｌ　Ｍａｒｋｅｔ　Ｒｉｓｋ　Ｍｅａｓｕｒｅｍｅｎｔ　ａｎｄ　

［１５］余为丽．基于极值理论的ＶａＲ及其在中国股票市　

Ｍａｎａｇｅｍｅｎｔ［Ｒ］．Ｔｈｅ　Ｗｈａｒｔｏｎ　Ｆｉｎａｎｃｉａｌ　Ｉｎｓｔｉｔｕｔｉｏｎｓ　

场风险管理中的应用：Ｄ］．武汉：华中科技大　

Ｃｅｎｔｅｒ　ＷＰ　９９—０６．　

学，２００６．　

［６］杜海涛．中国股市流动性风险测度研究［Ｊ］．证券市　［１　６］Ｅｒｉｃ　Ｚｉｖｏｔ，ｊｉａｈｕｉ　ｗａｎｇ，Ｍｏｄｅｌｌｉｎｇ　Ｆｉｎａｎｃｉａｌ　Ｔｉｍｅ　Ｓｅ—　

场导报，２００２（１１）：３８—４３．　

ｒｉｅｓ　ｗｉｔｈ　Ｓ～ＰＬＵＳ（２　ｅｄｉｔｉｏｎ）［Ｍ］．Ｍａｒｃｈ　３０，２００６．　

７］宋逢明，谭惠．ＶａＲ模型叶１流动性风险的度量［Ｊ］．　

［１７］Ｖｉｖｉａｎａ　Ｆｅｒｎａｎｄｅｚ．Ｅｘｔｒｅｍｅ　Ｖａｌｕｅ　Ｔｈｅｏ￣，ａｎｄ　Ｖａｌｕｅ　

数量经济技术经济研究，２００４（６）：ｌ１４—１２３．　

ａｔ　Ｒｉｓｋ［ＥＢ／Ｏ１　］．ｈｔｔｐ：／／ｗｗｗ．ｅｃｏｎｏｍｉａ．ｕａｈｕｒｔａｄｏ．　

８］王春峰，程鹏飞，房振明．巾国股市流动性与波动　

ｅｌ，２００３．　

性关系的实证研究［Ｊ］．北京理Ｅ大学学报（社会科　

［１８　Ｊ　Ｄｉ　Ｃｌｅｍｅｎｔｅ　Ａ．，Ｒｏｍａｎｏ　Ｃ．，Ａ　ｃｏｐｕｌａ～Ｅｘｔｒｅｍｅ　

学版），２００７（４）：６３—６６．　

Ｖａｌｕｅ　Ｔｈｅｏｕ＇Ａｐｐｒｏａｃｈ　ｆｏｒ　ｍｏｄｅｌｉｎｇ　Ｏｐｅｒａｔｉｏｎａｌ　Ｒｉｓｋ　

９］王敬，刘华．ＬＯＦ流动性风险度量与实讧Ｆ研究［Ｊ］．　［ＥＢ／ＯＬ］．ｈｔｔｐ：／／ｗｗｗ．ｇｌｏｒｉａｍｕｎｄｉ．ｏｒｇ，２００３．　

大连理工大学学报（社会科学版），２００９（１）：１６　［１９］颜小军．波动性后尾和假值理论在ＶａＲ中的应用　

２１．　

［Ｄ］．南京：河海大学，２００７：２３—２５．　

［１０］韦艳华，张世英．金融市场的相关性分析——ｃｏｐ—　

（责任编辑：黄明晴）　

Ｒｉｓｋ　Ａｎａｌｙｓｉｓ　ｏｆ　Ｃｈｉｎｅｓｅ　Ｓｔｏｃｋ　Ｍａｒｋｅｔ　Ｂａｓｅｄ　ｏｎ　Ｌａ—Ｃｏｐｕｌａ—ＥＶＴ　

Ｘｉｅ　ＦｕＺｕｏ，Ｚｕｏ　ＢａｉＹｕｎ　

（Ｆｉｎａｎｅｅ　Ｓｃｈｏｏｌ　ｏｆ　Ｇｕａｎｇｄｏｎｇ　Ｕｎｉｖｅｒｓｉｔｙ　ｏｆ　Ｂｕｓｉｎｅｓｓ　Ｓｔｕｄｉｅｓ，Ｇｕａｎｇｚｈｏｕ　５１０３２０，Ｃｈｉｎａ）　

Ａｂｓｔｒａｃｔ：Ｌｉｑｕｉｄｉｔｙ　ｉｓ　ｔｈｅ　ｌｉｆｅ　ｏｆ　ｍａｒｋｅｔ．Ｕｓｉｎｇ　ｂｏｔｈ　ｄｅｐｅｎｄｅｎｃｅ　ｓｔｒｕｃｔｕｒｅ　ｆｕｎｃｔｉｏｎ　ｏｆ　Ｃｏｐｕｌａ　ａｎｄ　ＥＶＴ（ｅｘｔｒｅｍｅ　ｖａｌｕｅ　ｔｈｅ一　

０ｒｙ），ｔｈｉｓ　ｐａｐｅｒ　ｃｏｎｓｔｒｕｃｔｅｄ　ａ　Ｌｉｑｕｉｄｉｔｙ　Ａｄｊｕｓｔｅｄ　Ｒｉｓｋ　ｍｏｄｅｌ　ｉｎ　ｃｈｉｎａ　ｓｔｏｃｋ　ｍａｒｋｅｔ，ａｎｄ　ａｎａｌｙｚｅｄ　ｔｈｅ　ｓｈａｎｇｈａｉ　ｓｔｏｃｋ　ｍａｒｋｅｔ　

ｆｒｏｍ　２００６　ｔｏ　２００９．Ｔｈｅ　ｅｍｐｉｒｉｃａｌ　ｒｅｓｕｌｔｓ　ｓｈｏｗ　ｔｈａｔ，Ｌｉｑｕｉｄｉｔｙ　Ｒｉｓｋ　ｉｓ　ｉｎｖｅｒｓｅ　ｔｏ　ｔｈｅ　ｖｏｌｕｍｅ　ｏｆ　ｃｉｒｃｕｌａｔｉｎｇ　ｃｏｍｍｏｎ　ｓｔｏｃｋｓ，ｔｈｅ　

ｌｅｓｓ　ｔｈｅ　ｖｏｌｕｍｅ　ｏｆ　ｃｉｒｃｕｌａｔｉｎｇ　ｃｏｍｍｏｎ　ｓｔｏｃｋｓ　ｉｓ，ｔｈｅ　ｍｏｒｅ　ｔｈｅ　ｌｉｑｕｉｄｉｔ）ｒ　ｒｉｓｋ　ｉｓ．Ｔｒａｎｓａｃｔｉｏｎ　ａｍｏｕｎｔ　ｉｓ　ａｎｏｔｈｅｒ　ｉｍｐｏｒｔａｎｔ　ｆａｃｔｏｒ　ｔｏ　

ｌｉｑｕｉｄｉｔｙ　ｒｉｓｋ，ａｌｏｎｇ　ｗｉｔｈ　ｔｈｅ　ｉｎｃｒｅａｓｅ　ｏｆ　ｔｒａｎｓａｃｔｉｏｎ　ａｍｏｕｎｔ，ｔｈｅ　ｐｒｏｐｏｒｔｉｏｎ　ｏｆ　ｌｉｑｕｉｄｉｔｙ　ｒｉｓｋ　ｉｎｃｒｅａｓｅ　ｓｈａｒｐｌｙ．　

Ｋｅｙ　ｗｏｒｄｓ：Ｒｉｓｋ　Ｖａｌｕｅ；Ｃｏｐｕｌａ　ｆｕｎｃｔｉｏｎ；ＥＶＴ；Ｌｉｑｕｉｄｉｔｙ　ｒｉｓｋ　

一

５８～