序論：寫作是一種深度的自我表達。它要求我們深入探索自己的思想和情感，挖掘那些隱藏在內心深處的真相，好投稿為您帶來了七篇金融數據論文范文，愿它們成為您寫作過程中的靈感催化劑，助力您的創作。

篇(1)

關鍵字：數據挖掘金融數據

金融部門每天的業務都會產生大量數據，利用目前的數據庫系統可以有效地實現數據的錄入、查詢、統計等功能，但無法發現數據中存在的關系和規則，無法根據現有的數據預測未來的發展趨勢。缺乏挖掘數據背后隱藏的知識的手段，導致了數據爆炸但知識貧乏”的現象。與此同時，金融機構的運作必然存在金融風險，風險管理是每一個金融機構的重要工作。利用數據挖掘技術不但可以從這海量的數據中發現隱藏在其后的規律，而且可以很好地降低金融機構存在的風險。學習和應用數扼挖掘技術對我國的金融機構有重要意義。

一、數據挖掘概述

1.數據挖掘的定義對于數據挖掘，一種比較公認的定義是W.J.Frawley，G.PiatetskShapiro等人提出的。數據挖掘就是從大型數據庫的數據中提取人們感興趣的知識、這些知識是隱含的、事先未知的、潛在有用的信息，提取的知識表示為概念(Concepts)，規則(Rules)、規律(Regularities)、模式(Patterns)等形式。這個定義把數據挖掘的對象定義為數據庫。

隨著數據挖掘技術的不斷發展，其應用領域也不斷拓廣。數據挖掘的對象已不再僅是數據庫，也可以是文件系統，或組織在一起的數據集合，還可以是數據倉庫。與此同時，數據挖掘也有了越來越多不同的定義，但這些定義盡管表達方式不同，其本質都是近似的，概括起來主要是從技術角度和商業角度給出數據挖掘的定義。

從技術角度看，數據挖掘就是從大量的、不完全的、有噪聲的、模糊的、隨機的實際應用數據中，提取隱含在其中的、人們事先不知道的、但又是潛在的和有用的信息和知識的過程。它是一門廣義的交叉學科，涉及數據庫技術、人工智能、機器學習、神經網絡、統計學、模式識別、知識庫系統、知識獲取、信息檢索、高性能計算和數據可視化等多學科領域且本身還在不斷發展。目前有許多富有挑戰的領域如文本數據挖掘、Web信息挖掘、空間數據挖掘等。

從商業角度看，數據挖掘是一種深層次的商業信息分析技術。它按照企業既定業務目標，對大量的企業數據進行探索和分析，揭示隱藏的、未知的或驗證已知的規律性并進一步將其模型化，從而自動地提取出用以輔助商業決策的相關商業模式。

2.數據挖掘方法

數據挖掘技術是數據庫技術、統計技術和人工智能技術發展的產物。從使用的技術角度，主要的數據挖掘方法包括：

2.1決策樹方法：利用樹形結構來表示決策集合，這些決策集合通過對數據集的分類產生規則。國際上最有影響和最早的決策樹方法是ID3方法，后來又發展了其它的決策樹方法。

2.2規則歸納方法：通過統計方法歸納，提取有價值的if-then規則。規則歸納技術在數據挖掘中被廣泛使用，其中以關聯規則挖掘的研究開展得較為積極和深入。

2.3神經網絡方法：從結構上模擬生物神經網絡，以模型和學習規則為基礎，建立3種神經網絡模型：前饋式網絡、反饋式網絡和自組織網絡。這種方法通過訓練來學習的非線性預測模型，可以完成分類、聚類和特征挖掘等多種數據挖掘任務。

2.4遺傳算法：模擬生物進化過程的算法，由繁殖(選擇)、交叉(重組)、變異(突變)三個基本算子組成。為了應用遺傳算法，需要將數據挖掘任務表達為一種搜索問題，從而發揮遺傳算法的優化搜索能力。

2.5粗糙集(RoughSet)方法：Rough集理論是由波蘭數學家Pawlak在八十年代初提出的一種處理模糊和不精確性問題的新型數學工具。它特別適合于數據簡化，數據相關性的發現，發現數據意義，發現數據的相似或差別，發現數據模式和數據的近似分類等，近年來已被成功地應用在數據挖掘和知識發現研究領域中。

2.6K2最鄰近技術：這種技術通過K個最相近的歷史記錄的組合來辨別新的記錄。這種技術可以作為聚類和偏差分析等挖掘任務。

2.7可視化技術：將信息模式、數據的關聯或趨勢等以直觀的圖形方式表示，決策者可以通過可視化技術交互地分析數據關系。可視化數據分析技術拓寬了傳統的圖表功能，使用戶對數據的剖析更清楚。

二、數據挖掘在金融行業中的應用數據挖掘已經被廣泛應用于銀行和商業中，有以下的典型應用：

1.對目標市場(targetedmarketing)客戶的分類與聚類。例如，可以將具有相同儲蓄和貨款償還行為的客戶分為一組。有效的聚類和協同過濾(collaborativefiltering)方法有助于識別客戶組，以及推動目標市場。

2..客戶價值分析。

在客戶價值分析之前一般先使用客戶分類，在實施分類之后根據“二八原則”，找出重點客戶，即對給銀行創造了80%價值的20%客戶實施最優質的服務。重點客戶的發現通常采用一系列數據處理、轉換過程、AI人工智能等數據挖掘技術來實現。通過分析客戶對金融產品的應用頻率、持續性等指標來判別客戶的忠誠度；通過對交易數據的詳細分析來鑒別哪些是銀行希望保持的客戶；通過挖掘找到流失的客戶的共同特征，就可以在那些具有相似特征的客戶還未流失之前進行針對性的彌補。

3.客戶行為分析。

找到重點客戶之后，可對其進行客戶行為分析，發現客戶的行為偏好，為客戶貼身定制特色服務。客戶行為分析又分為整體行為分析和群體行為分析。整體行為分析用來發現企業現有客戶的行為規律。同時，通過對不同客戶群組之間的交叉挖掘分析，可以發現客戶群體間的變化規律，并可通過數據倉庫的數據清潔與集中過程，將客戶對市場的反饋自動輸人到數據倉庫中。通過對客戶的理解和客戶行為規律的發現，企業可以制定相應的市場策略。

4.為多維數據分析和數據挖掘設計和構造數據倉庫。例如，人們可能希望按月、按地區、按部門、以及按其他因素查看負債和收入的變化情況，同時希望能提供諸如最大、最小、總和、平均和其他等統計信息。數據倉庫、數據立方體、多特征和發現驅動數據立方體，特征和比較分析，以及孤立點分析等，都會在金融數據分析和挖掘中發揮重要作用。

5.貨款償還預測和客戶信用政策分析。有很多因素會對貨款償還效能和客戶信用等級計算產生不同程度的影響。數據挖掘的方法，如特征選擇和屬性相關性計算，有助于識別重要的因素，別除非相關因素。例如，與貨款償還風險相關的因素包括貨款率、資款期限、負債率、償還與收入(payment——to——income)比率、客戶收入水平、受教育程度、居住地區、信用歷史，等等。而其中償還與收入比率是主導因素，受教育水平和負債率則不是。銀行可以據此調整貨款發放政策，以便將貨款發放給那些以前曾被拒絕，但根據關鍵因素分析，其基本信息顯示是相對低風險的申請。

6.業務關聯分析。通過關聯分析可找出數據庫中隱藏的關聯網，銀行存儲了大量的客戶交易信息，可對客戶的收人水平、消費習慣、購買物種等指標進行挖掘分析，找出客戶的潛在需求;通過挖掘對公客戶信息，銀行可以作為廠商和消費者之間的中介，與廠商聯手，在掌握消費者需求的基礎上，發展中間業務，更好地為客戶服務。

7.洗黑錢和其他金融犯罪的偵破。要偵破洗黑錢和其他金融犯罪，重要的一點是要把多個數據庫的信息集成起來，然后采用多種數據分析工具找出異常模式，如在某段時間內，通過某一組人發生大量現金流量等，再運用數據可視化工具、分類工具、聯接工具、孤立點分析工具、序列模式分析工具等，發現可疑線索，做出進一步的處理。

數據挖掘技術可以用來發現數據庫中對象演變特征或對象變化趨勢，這些信息對于決策或規劃是有用的，金融

行業數據的挖掘有助于根據顧客的流量安排工作人員。可以挖掘股票交易數據，發現可能幫助你制定投資策略的趨勢數據。挖掘給企業帶來的潛在的投資回報幾乎是無止境的。當然，數據挖掘中得到的模式必須要在現實生活中進行驗證。

參考文獻：

丁秋林，力士奇.客戶關系管理.第1版.北京：清華人學出版社，2002

張玉春.數據挖掘在金融分析中的應用.華南金融電腦.2004

篇(2)

一、研究設計

1.模型的選擇

目前，價格模型和收益模型是研究財務數據與企業價值相關性最常用的模型。在已有對我國新舊會計準則的定價能力的差異及新準則下公允價值計量的價值相關性問題研究的實證文獻中，大都只采用價格模型。國外研究表明，價格模型存在更多計量上的問題，為避免模型選擇上帶來的誤差，我們將同時采用價格模型和收益模型對新舊會計準則的定價能力差異進行研究。

(1)檢驗新會計準則下的會計數據(凈資產和凈收益)在資本市場上的定價能力較舊準則是否顯著提高。本部分選取2004至2009年上市公司為樣本。本文采用的價格模型

(模型1)

式中MVit：總市值;BVit：凈資產;Eit：凈收益;postit如果遵守新準則則post取1，否則取0。

本文采用的收益模型

(模型2)

Rit：股票回報率，PEIt：凈收益(每股數)，Pi-1：股票收盤價。

(2)檢驗新會計準則下，公允價值計量部分是否具有增量的價值相關性。本部分選取出1907至1909年的上市公司作為樣本。本文采用的價格模型

(模型3)

FairVit：交易性金融資產和可供出售金融資產兩個科目的余額之和，OthVit：凈資產與FairVit的差值。模型中，BVit=FairVit+OthVit。

本文采用的收益模型

(模型4)

PEFairit：公允價值變動損益科目的數額(每股數)，PEOtherit：凈收益與PEFairit的差值。模型中PEit=PEFairit+PEOtherit。

本文的數據主要來自國泰安經濟金融研究數據庫。我們選取中國2007至2009年上市公司為樣本，同時選取2004至2006年上市公司為對照樣本，考慮到金融類上市公司的特殊性，剔除了金融類公司。

二、實驗結果

從模型3和模型4的描述統計結果可以看出，以公允價值計量的凈資產和凈收益的部分所占比率都比較小，說明我國目前對公允價值計量的應用保持較為謹慎的態度。 新會計準則的實施是否增強了會計數據的解釋能力

模型1的回歸結果顯示BV和E的系數非常顯著地異于0，表明這兩個變量對股價有很強的解釋能力。PostBV和PostE的系數都在1%的水平上顯著地異于0，表明從價格模型的角度，新會計準則的實施明顯地增強凈資產和凈收益對股價的解釋能力。

從收益模型得出的結果則顯示Postit Eit /Pit-1的系數在1%的水平上異于0，表明新會計準則的實施能夠為凈收益帶來增量的價格解釋能力。可以看出，新會計準則的實施顯著地提高了會計數據的解釋能力。 新會計準則下，公允價值計量部分是否具有增量的價值相關性

篇(3)

賀曉宇

四川大學經濟學院， 四川 成都 610064

【摘 要】通過CoVaR實證方法利用4家國有銀行和2家私有銀行的股權收益率值求得中國銀行相對其他銀行的風險溢出值和各銀行相對中國銀行的風險溢出值、各銀行相對整體銀行系統的風險貢獻度。結論：中國銀行與招商銀行的關聯程度最高，中國銀行與建設銀行和工商銀行的關聯程度較低。同時招商銀行對于銀行系統的風險貢獻率最高，說明了私有銀行在發展私人業務上與投資民眾聯系更緊密。

【關鍵詞】CoVaR法；風險貢獻率；審慎監管

一、引言

隨著2008年金融危機爆發以來，關于金融機構之間風險傳播的研究也逐漸增多，尤其是銀行等傳統資機構在危機爆發時對于整個金融系統的風險傳染貢獻程度，而巴塞爾協議也將審慎性監管劃為銀行監管的主要形式。

在衡量監管必要性條件中，巴塞爾協議主要集中于考察金融機構的資本充足率，資產負債率和損失準備金率等指標。在理論上衡量審慎監管的必要性條件，Adrain和Brunnermeier（2008）的working paper中提到了利用計量條件風險價值的增量和其對總體風險貢獻率來衡量。

二、本論文研究對象、數據處理和采用的原理

（一）研究對象和其數據選取

由于我國銀行的特殊性，大規模的上市銀行基本為國有，其對于整個銀行系統的穩定性具有很大的影響力，所以本論文選取了中國幾大國有銀行。農業銀行的上市時間較晚，數據的量不能滿足本論文的實證需求，舍去農業銀行，確定以中國銀行、工商銀行，建設銀行和交通銀行為研究對象。同時為方便計量，添加兩家資本規模最大且上市時間較早的股份銀行，招商銀行和中信銀行。

論文的數據選取范圍：2008-20112年。受到財務數據報表限制，本論文研究數據的性質是季度數據。數據來源于國泰安數據庫。

（二）本論文選取采用的原理方法

1、風險價值

本論文的計算基礎是風險價值。風險價值指在一定的置信水平下，某一金融資產在未來一段時間內的最大可能損失：VaRa=inf {v|P（WT￡W-v）31-a}（公式1）。

其中a表示一定的置信度水平，WT表示T時刻期望財富量，W-v表示最大損失量及在險價值。

我們也可以采用Jorion（1996）[2]中提出通過數學的標準化計算可以得到一個計算VaR水平的公式：（公式3），其中 是標準化后的股票收益率分布，且其置信度水準是a。 是收益率標準差， 是計算的時間區間。

2、q分位數回歸

（公式4）

公式4中，Qy（τ|x）為關于x的條件分位數，Qμ（τ）為隨機擾動項的分位數。對于分位數回歸模型，則可采取線性規劃法（LP）估計其最小加權絕對偏差，從而得到解釋變量的回歸系數。得：（公式5）

本文中由于風險價值是定義在一定置信的度水平下的最小損失量，所以采用此回歸方法。

3、關于CoVar方法的具體討論

定義P（Xi

公式6表示在a的置信水平下如果i銀行的風險價值為VaRia，則基于這一水準下的j銀行的風險價值為CoVaRaji|xi= VaRia。

i對j風險溢出貢獻率可用：ΔCoVaRj|iq = CoVaRj|iq -VaRj （公式7） 表示。

如果j表示的是整體銀行的風險價值，則公式（7）就表示某一i銀行對于銀行系統整體的風險溢出貢獻程度。

三、實證過程結果分析

（一）實證過程

在處理股權收益率時選擇每季度結束日的收盤股價價，計算收益率公式為：Ln（Pt/Pt-1），其中Pt為計算日股票收盤價，Pt-1為股票計算日前一期股票收盤價。為增強計算準確率，將算得的收益率擴大十倍。選取95%的置信度水平，并且收益率服從正態分布，因此得到Za的值為1.658。利用公式（3）進一步得到各個銀行單獨的風險價值，留備用。本文以中國銀行為例，見表1，得到中國銀行對其他每家銀行的風險溢出貢獻和其他每家銀行對于中國銀行的風險溢出貢獻。

（二）實證結果分析

單個銀行對其他銀行以及系統的風險溢出貢獻中首先分析中國銀行對于其他銀行的風險溢出影響，在中國銀行陷入困境時建設銀行的風險價值最大，即建設銀行此時風險絕對值是最大的，再之是招商銀行，工商銀行，交通銀行和中信銀行。再考慮中國銀行對于風險溢出的貢獻程度，中國銀行對于招商銀行的風險溢出貢獻率是最大的，再之是交通銀行，中信銀行和工商銀行和建設銀行。這種風險溢出的貢獻率程度最大化也說明兩者銀行之間的關聯性是比較高的。

再之，分析每家銀行對于中國銀行的影響。發現如果當招商銀行陷入困境時其對于中國銀行的風險溢出貢獻是最大的，其次是中信銀行，交通銀行，建設銀行和工商銀行。通過上述，得知國有銀行之間的關聯程度反而相對較低，而大型國有銀行和大型的私有銀行之間的關聯度是非常高的。

若考慮每家銀行對于整體銀行系統的風險溢出貢獻值，可發現招商銀行的風險溢出貢獻絕對值是最大的，其次則是交通銀行，中信銀行，建設銀行，工商銀行和中國銀行。如果再進一步考慮風險溢出貢獻的相對值即風險溢出貢獻率。

另外一個方面也說明我國股份銀行已經逐漸在實力和整體重要性上有趕上并且超越眾多國有銀行的趨勢。實證對于審慎監管有一定的警示作用，即監管機構在選擇那些重要性銀行進行重點監測時應該考慮各方面因素，考察其風險的相對值而非風險溢出的絕對值，同時注重銀行的業務與投資者等民眾的緊密程度而非只是資產規模的大小。

參考文獻：

[1]Jorion， Philippe， 1997， “Financial Futures： Risk Management”， Published by Irwin Professional， Chicago.

[2]毛奉君，2011：系統重要性金融機構監管問題研究》，《國際金融研究》第9期。

篇(4)

【關鍵詞】POT；APARCH-M；動態風險；杠桿效應

近年來，由美國次貸危機引發的金融危機使得各國金融市場產生大幅波動，讓人們廣泛意識到對金融機構等實施金融風險管理的重要性。因此，對金融市場極端情形下的損失風險的估計和預測是研究者和各投資者關注的焦點。VaR(Value at Risk)技術正是這樣一種定量工具，目前已受到業界的廣泛認可，為全球金融市場、電力市場及石油市場廣泛采用[1-2]。但是VaR只是市場處于正常變動下市場風險的有效測度，它不能處理金融市場處于極端價格變動的情形，如股市崩盤等，并且它自身不是一致性風險度量工具[3]。而ES(Expected Shortfall)是度量損失超過VaR的期望損失，能較好度量極端風險，并且它是一致性風險度量[3-4]，于是論文將ES作為VaR的一個補充。在傳統的風險度量模型中一般考慮的是整個收益率的分布，常用正態分布、t分布、混合正態分布、Laplace分布等來描述。而極值理論(Extreme Value Theory)描述的是分布的尾部行為，故而近年來熱衷于將極值用于風險度量研究中[2-7]。

目前，國內外對極值的研究主要集中在條件極值的風險度量和應用上[3-7]。條件極值模型主要是將極值理論中的POT(Peaks Over Threshold)模型與波動模型結合。在國內，極值理論的研究起步較晚，但發展迅速，余力[5]和陳守東[6]等的研究結果表明動態VaR比靜態VaR度量更準確；但上述文獻中都沒考慮金融資產收益率波動的杠桿效應，即非對稱性。林宇[7]則通過非對稱波動模型與極值模型結合度量風險，測試結果較準確。但他們的研究都忽略了金融資產收益中包含了對風險的補償，即金融資產收益率與資產風險具有密切的關系。為了反映出這種關系，Engle等1987年提出了GARCH-M模型[9]。陳澤中[9]將GARCH-M模型和EGARCH模型結合起來，分析了我國股市波動的特點。實證結果表明，我國股市存在明顯的杠桿效應，且收益率與波動性存在顯著的正相關關系。

為了更準確地度量金融市場風險，論文采用更一般的APARCH模型來描述收益率序列的波動，并充分考慮了金融市場的收益率與風險的正相關關系。將極值理論中的POT模型與APARCH-M模型結合，提出了基于POT-APARCH-M的風險度量模型。

1.APARCH-M模型與極值理論中的POT模型

1.1 APARCH-M模型

在針對金融時間序列波動性的建模中，Bollerslev在ARCH模型的基礎上提出了廣義自回歸條件異方差模型，這正是我們目前研究比較多的GARCH模型。GARCH模型是ARCH模型的重要擴展，然而GARCH模型并不能完全反映金融市場波動的特征，特別是其中的杠桿效應。于是Ding，Granger和Engle在1993提出了一個非對稱的GARCH模型，即APARCH(asymmetric power ARCH)模型[11]。該模型是個歸納性較強的模型，它將多種ARCH模型和GARCH模型作為其特例，其中包括了TS-GARCH模型，GJR-GARCH模型，Log-GARCH模型，TARCH模型，NARCH模型等[10]。APARCH模型不僅包含了一般GARCH模型的特點，而且還可以捕捉金融市場的杠桿效應。設是股票每日價格的對數收益率序列，滿足嚴格平穩性，且服從APARCH(p,q)過程，則可以由下式表達：

(1)式為均值方程，其中為條件均值，為殘差；(2)式中的為條件方差，為標準化殘差，是服從均值為0，方差為1的獨立同分布序列；(3)式為波動方程，其中參數，，，，，，反映沖擊的杠桿效應。

由于金融資產風險的變化對收益的影響，高的收益往往伴隨著高的風險，即是資產的收益率會依賴于它的波動。為刻畫這種現象，1987年，Engle、Lilien和Robins提出了GARCH-M模型，其中“M”表示收益率的條件均值為GARCH[8]。此時，條件均值可以表示為：

上式中的和為常數，參數叫做風險溢價參數，為正值意味著收益率與它的波動正相關。

于是將(4)式代入到(1)式中，就可以得到APARCH-M模型，即

3.算例分析

3.1 模型參數估計及動態VaR和ES估計

論文選取深證綜合指數從2003年12月10日到2011年1月20日的每日收盤價，共1729個數據。取2003年12月10日到2010年1月7日的每日收盤價共1479個數據，用來估計模型的參數；2010年1月8日以后共250個數據用來后驗測試。數據來源于大智慧股票軟件。深證綜指的日損失序列定義為，其中為時收盤價。論文所有的數據處理和分析都在Eviews5.0和R軟件下進行的。

通過Eviews5.0軟件計算得到損失序列的基本統計特征見表1，括號內為p值。

從表1中可以看出該損失序列尖峰厚尾，且不對稱，呈現右偏情形；單位根ADF檢驗結果表明在1%的置信水平下該序列不存在單位根，即損失序列是平穩的；Ljung-Box統計量Q(5)、Q(10)表明該序列有一定的自相關性，Q2(5)、Q2(10)表明損失序列的平方自相關，從而該損失序列具有很強的ARCH效應。根據前面的分析使用APARCH(1,1)-M-t模型對深證綜指樣本內損失序列建模，并用最大似然估計對參數進行估計，估計結果見表2。

模型擬合后，對其殘差進行ARCH檢驗，其檢驗統計量LM(6)的p值為0.99，從而可以判定殘差沒有異方差性。標準化后的殘差序列均值幾乎為0，方差也十分接近于1，基本可以看成是標準殘差序列。然后對其進行相關性檢驗，Q(5)=24.301(0)，從而可以認為其是獨立序列。標準化后的殘差序列的閾值，MEF(超額均值函數)確定如下圖1所示。從圖1中可以看出閾值在1.8左右，然后結合McNeil和Frey對比Hill方法、歷史模擬法等方法，發現選擇5%左右的極值數據使用GPD估計效果較好，于是閾值可以確定為1.806，接下來對超過閾值的部分進行GPD擬合，結果如圖2所示。從圖上看出擬合效果相當好，并且作出其QQ分位圖，如下圖3所示。于是可以用GPD分布對極值建模，參數估計結果為，。

3.2 模型檢驗

為了考察風險度量模型的預測效果，常采用Kupiec的失敗次數檢驗方法。其基本思想是：在置信水平為P的條件下，在第t日估計出第t+1日的風險值和，對于第t+1日的實際損失，如果估計出的，那么就認為風險估計值在第t+1日是失敗的，并計數一次。最后將失敗次數比上考察的總次數得到失敗率。對于ES的估計也是采用同樣的方法。如果失敗率遠大于，則認為是低估了風險，反之則是高估了風險。只有失敗率接近，風險度量方法才被認為相對可靠。論文還將此模型檢驗結果與EGARCH-M-POT模型，APARCH-POT模型檢驗結果進行了對比，從而可以看出此模型的優越性。

從上表2深證綜指的后驗測試結果可以看出，在99%置信水平下，這三種模型預測的效果是一樣的，但在97%置信水平下，基于POT-APARCH-M和POT-EGARCH-M模型預測效果是一樣地優于基于POT-APARCH的，從而表明了考慮收益與風險正相關對于金融市場風險的度量更加合理。在95%的置信水平下，基于POT-APARCH-M模型預測的效果是最好的，因為它是失敗率是最接近5%，從而表明考慮更一般的APARCH模型來描述收益率的波動比EGARCH更合理。而通過計算ES的失敗率結果在高置信水平下，ES的失敗率都為零，從而表明ES相比VaR是更為保守的風險度量。

4.結論

論文建立了基于極值理論的POT-APARCH-M-t的動態風險度量模型，用來度量金融市場風險。在描述金融市場波動特征時，采用更一般的APARCH模型。結果表明它比EGARCH模型更優越。在金融市場中往往高的收益伴隨著高的風險，即收益與風險是負相關的，從而將APARCH模型與GARCH-M結合。經過深證綜指風險度量結果表明損失與風險是負相關的，并且更準確地度量風險。而在度量空頭風險時，通過檢驗表明，在高置信水平下，ES過于保守，從而可以看出收益率的右尾較薄。論文只是對收益率分布上尾極端風險進行了度量，當然還可以對下尾極端風險進行度量，論文在閾值選取時，帶有一定的主觀性，閾值準確的選擇方法一直是現在要解決的問題。

參考文獻

[1]王春峰.金融市場風險管理[M].天津:天津大學出版社,1999.

[2]Bekiros S.D.,Georgoutsos D.A.Estimation of Val-ue-at-Risk by extreme value and conventional method:a comparative evaluation of their predictive performa-nce[J].Int.Fin.Markets,Inst.and Money,2005(15):209-228.

[3]Artzner P.,Delbaen,Eber J.M.,and Heath D.Coher-ent Measures of Risk[J].Mathematical Finance,1999(9):203-228.

[4]Bhattacharyya M.,Ritolia Conditional VaR using EVT-Towards a planned margin scheme[J].Internatio-nal Review of Financial Analysis,2008(17):382-395.

[5]余力,張勇.應用極值分布理論的VaR和CVaR估計[J].求索,2010(4):64-66.

[6]陳守東,孔繁利,胡錚洋.基于極值分布理論的VaR與ES度量[J].數量經濟技術研究,2007(3):118-124.

[7]林宇,魏宇,黃登仕.基于GJR模型的EVT動態風險測度研究[J].系統工程學報,2008,23(1):45-51.

[8]Ruey S.Tsay.金融時間序列分析[M].北京:人民郵電出版社,2009.

[9]陳澤忠,楊啟智,胡金泉.中國股票市場的波動性研究――EGARCH-M模型的應用[J].決策借鑒,2000,13(5):24-27.

[10]張世英,樊智.協整理論與波動模型[M].北京:清華大學出版社,2009.

篇(5)

論文關鍵詞：投入產出模型，協整檢驗產出彈性

 

一、引言

保險公司是經營風險的特殊行企業，客觀上也存在著生產函數。于規模收益究竟是遞增還是遞減以及生產要素的產出彈性等問題，直接關系到該企業資源的最優配置狀態以及企業決策的制定。通過對其生產函數的深入研究，可以達到提高生產效率的目的。

國內學者在保險領域已做了大量研究。袁金芳（2006）認為包括保險業在內的我國金融中介對經濟增長的促進作用主要是通過提高儲蓄率和資本形成率兩條途徑來實現的,而資本的產出率并未相應提高。田瑞波（2005）認為中國保險業發展屬于經濟帶動型，雖然其發展與經濟增長之間存在著長期的內在關系，但保險業增長對經濟增長的促進作業不顯著。呂秀萍（2007）運用DEA方法研究表明，中國保險業的規模效率基本保持較佳水平,而技術效率水平較低且呈現下降趨勢。趙旭（2007）認為，從構成上看,存在著保險業技術進步和效率損失并存的格局。上述文獻僅在保險行業增長、保險行業效率方面開展了比較深入的研究，但并沒有擬合保險企業生產函數，做進一步的討論。本文目的是用企業的原始數據創新的擬合出的投入產出模型，對其生產函數進行深入的研究，加以獲得更多結論。

中國平安集團是中國第一家以保險為核心的畢業論文ppt，融證券、信托、銀行等多元金融業務為一體的高效的金融服務集團，于2009年躋身于世界500強行列。從保費收入來衡量，平安人壽為中國第二大壽險公司，平安產險為中國第三大產險公司。截止到2008年12月31日，集團總資產為人民幣7,547.18億元，權益總額為人民幣856.96億元，公司通過旗下各專業子公司共為超過4,000萬名個人客戶及約200萬名公司客戶提供了保險保障、投資理財等各項金融服務。基于此，本文選取中國平安集團作為保險企業的典型樣本，以1996 -2008的時間序列數據為研究對象，定量分析其生產函數的形式及構成，定性分析得出相應的政策建議。

二、模型的設定

企業進行生產的過程就是從投入生產要素到生產出產品的過程。生產要素一般包括諸如勞動力、設備、原材料、機器廠房及技術等。生產過程中生產要素的投入量和產品的產出量之間的關系，可以用生產函數來表示核心期刊。生產函數表示在一定的時期內，技術水平不變的情況下，生產中所使用的各種生產要素的數量與所能生產的最大產量之間的關系。

假定，，…表示生產過程中所需要投入的n種要素，Y表示產出，則生產函數的一般表達式為：

 

研究企業的生產函數，如果能夠詳盡地分析出企業投入要素與產出的關系當然最好不過，但這往往比較復雜。通常的處理辦法就是將眾多的投入要素分成兩類：勞動力投入（L）和資本投入（K），因此得到簡單的生產函數為：

 

1928 年美國經濟學家、數學家柯布(Charles W. Cobo)和道格拉斯(Paul Howard Douglas)在繼承與發展前人研究成果的基礎上, 將產出和投入的關系簡化為以下C-D生產函數：

（模型一）

模型一為經典的C-D生產函數模型。其中，A是無法觀測的技術因素，和分別代表了產量對資本投入和勞動投入的彈性。對C-D生產函數取對數得到下式：

（模型二）

全對數線性模型除估計方法的便利之外，其明顯的優勢在于：它可以直接通過變量的系數得出產出彈性并進一步估計出規模收益。

本文采用模型二，并以中國平安集團的數據為例畢業論文ppt，對保險企業的投入產出進行研究。

三、變量選取和數據來源

對模型中所涉及到的產出、資本和勞動力三個變量，分別采取中國平安集團的保險業務收入、固定資產和職工人數指標作為衡量。保險業務收入是反應保險企業產出的重要指標，這里用該指標作為產出Y的替代；選取各年度的固定資產作為資本存量K的替代；各年度職工人數（不包括保險人等業務人員）作為勞動力L的替代。

本文采用年度數據，樣本區間為1996―2008年。本文所涉及的數據均來自各年度《中國保險年鑒》，保險業務收入已經用GDP平減指數平減，固定資產已用固定資產投資價格指數平減，均剔除了價格影響。表1是平安集團1996年―2008年各指標的相關數據。

表1 平安集團保險業務收入、固定資產、職工人數

 

年 份

保險業務收入（百萬）

固定資產（百萬）

職工人數（人）

1996

10504.40

1483.37

13839

1997

15915.60

3180.46

23966

1998

17659.89

4277.55

10082

1999

22309.48

4342.47

14523

2000

26832.16

4372.15

20390

2001

46318.60

4507.21

26256

2002

62908.06

5318.59

34440

2003

66125.82

5511.00

35999

2004

63902.82

5316.68

39564

2005

73086.21

6061.41

43090

2006

86209.00

7269.08

52229

2007

97766.39

7711.66

70849

2008

128039.08

篇(6)

【關鍵詞】經濟波動 金融沖擊 數據分析

一、金融沖擊概述

許多金融微觀數據表明，企業融資效率會對企業本身的經濟運轉造成嚴重的影響，但是金融宏觀數據很難能夠證明，很難具有說服力。

所謂金融沖擊對抗，體現了金融市場的制度不完善，這種制度缺失讓資金持有者手中的閑置資金不易流通起來，金融市場資金流通不暢，就會加大交易的全過程。

我們通過對企業固有資產投資資金的比例調查，可以發現在我國的企業的各類固有投資資金里，之前國內貸款的部分有了較顯著的空間下降，經濟周期的波動的走向也難以阻擋。而且這個態勢愈演愈烈。因此可以說現在我國企業融資難度越來越大，能夠獲得的貸款金額也十分有限。如果我國企業貸款能力被無形地削減，從另一個側面也體現了金融市場流通力度的下降。要知道這些約束大多都來源于金融部門，企業的借貸能力的下降，由此可見，我們把這種惡性影響叫做金融沖擊。

二、金融沖擊的現狀

（一）基于固定資產投資數據的現狀

本論文通過固定產出的數據，以圖表的形式來研究目前中國企業的融資現狀。固定產出的資金來源大概分為以下五項：國家體系預算金、國內貸款、個人資金、國際資金、其他。本論文拿“國內貸款”一類來進行論述。

“國內貸款”單指固定項目投資的各類國內借款，指各類社會合法機構、單位向金融類及非金融類機構籌措的資金。從這個定義可以得出，“國內貸款”首先有一個融資額度，代表貸款人或者貸款機構、單位能夠籌措的資金上限。按照國內貸款金額與固定資金之比，我們繪制如下圖表，根據時間序列橫向排開，數據區間從2000年第三季度到2015年第四季度。

圖1清晰地可以發現，從2000年到2015年，國內貸款數額占固有投資數額的比例幾乎是一個階段性下降的態勢。如果計算一個均值的話，得出的數值大概是0.3，由此可見從金融機構處獲得的企業的投資資金大約30%。這么低的比重也從側面展示了貸款難度。整體來看，不難得知我國企業未來的貸款形勢不容樂觀。（注：圖1底部左到右刻度分別從2000年至2015年）

現在我們利用H p濾波器，將國內貸款數額的周期性進行展示，圖2可以看出，長期波動過后，國內貸款數額的比例開始持續的短期波動。根據圖表觀察，這種周期性的波動異常頻繁，頻率值是0.93%。（注：圖2底部左到右刻度分別從2000年至2015年）

（二）基于信貸經濟數據的現狀

政府控制經濟所使用的重要舉措之一就是信貸管理。某種程度上政府的許多宏觀調控政策都能夠依靠銀行來提高信貸的供給量。由此可見，在中國這樣一個資本市場發展相對比較落后的國家，金融市場的主體還是銀行，而中國企業的外部融資必須要靠銀行的資金輸入才能完成，這就凸顯了金融機構的信貸功能的重要意義。

如圖3所示，為了說明信貸規模對中國宏觀經濟的重要程度，我們利用HP濾波器來解釋貸款總數額量里剩余數額波動和產出的波動。注：圖2底部左到右刻度分別從2000年至2015年）

從圖3數據來看，可能出于貨幣政策或其它原因考慮，金融機構不斷地調整信貸供給，這當然影響中國企業的金融活動，還會影響到總產出和總投資。面對信貸配給緊張時，有一些企業盡管能夠得到貸款，但遠遠低于他們的預期，不能全面的滿足資金預期。有一些企業很難獲得貸款，哪怕付出很多的代價也無濟于事。所以說金融部門的干擾尤其是銀行信貸，會對實體經濟帶來非常重要的沖擊。

從現狀來看，我國的金融體系正在發生一系列重大的變革，變革的深度與寬度難以預料。所以說找到金融變革的核心，這對中國未來經濟的影響異常重要。

現在國內很多學者都開始著手研究金融市場和經濟周期兩者是否存在著一些聯系，像著名學者王文甫以及劉方等都對中國經濟波動特征進行了解釋，他們都認為信用借貸和民間小額借貸對金融市場的有序流通起到了特殊的傳導作用。另外有一些經濟學者對銀行信貸進行了量化研究，除此之外，少數研究人員對銀行信貸服務對經濟波動的影響提出了獨特的想法。

三、金融沖擊與中國經濟波動的關系

通過分析我國企業固有資產資金數額，進一步對其潛在的問題進行剖析。固定產出的資金來源大概分為以下五項：國家體系預算金、國內貸款、個人資金、國際資金、其他。在這里我們需要對國內貸款做深度的剖析，“國內貸款”單指固定項目投資的各類國內借款，指各類社會合法機構、單位向金融類及非金融類機構籌措的資金。我們認為國內貸款數額是有一個上限額度，許多案例都說明這個上限額度已經出現了逐步下降的態勢，現在中國大多數企業能夠流入的借貸比例大約只有22%，直接反映了中國企業貸款越來越難，障礙也越來越多。

四、結語

最近的金融海嘯和經濟危機再一次證明了金融市場和環境對經濟波動有實質性的影響。許多金融專家認為不能忽視金融市場環境對經濟產量帶來的波動和干擾。上文分析了金融沖擊的經濟后果，最后得出中國企業的固有資產資金數額里，國內貸款占比持續低落、經濟周期頻率上呈現了持續震動的結論，這種持續震動的后果體現了當下中國企業信貸能力的停滯不前，借貸渠道的干澀緊乏，上限額度的持續下降，這都體現了金融沖擊的可怕影響。

首先，本論文分析了固定資產投資資金數據，最終得出了我國企業國內貸款占比出現下降趨勢，企業獲得的貸款越來越少，借貸能力受到的約束也在加大，且未知干擾也越來越多。各類金融機構貸款數額中，貸款剩余數額與經濟波動之間具有密切的相關性。也就是說信貸是影響經濟階段性頻率波動的關鍵所在。其余原因包括整個金融市場上面融資信息的不均衡不對稱等，這些都干擾了中國企業的貸款質量和數量。

金融沖擊作為帶動我國經濟階段性波動的關鍵因素，它體現了可計算性。消費、就業、債權、債務、產出等增長波動都可被計算。我國大約75%的經濟產量增長浮動都能從金融沖擊的角度來體現，像產出、消費、投資和就業等宏觀經濟都可以被解釋。

總的來說，中國是一個發展中國家，而發展中國家的金融抑制問題是當前許多國家普遍存在的問題，一方面由于發展中國家的金融環境和經濟市場體制的不成熟，另一方面與全球范圍內的金融海嘯動蕩有關聯，包括世界性政治文化等原因，都會對中國經濟波動產生微妙的關聯，所以分析中國經濟波動的原因，一定要全面具體的綜合考慮各種方面，這也是未來的主要探討思路。

參考文獻：

[1] 陳文亭，龔六堂.粘滯價格模型以及中國經濟的數值模擬―對基本RBC模型的改進[J].數量經濟與技術經濟研究，2014，9.

篇(7)

摘 要：每一個成功的企業對廣告都非常重視，不惜斥巨資進行廣告宣傳。那么廣告支出對企業績效的影響到底如何？如果廣告有效，那為什么還有企業破產清算？通過實證研究探尋廣告支出對企業績效的影響，發現廣告支出與企業績效存在著正相關關系和倒U型關系，繼而確定最佳廣告支出規模對企業長遠發展具有重要意義。

關鍵詞：廣告；績效；非線性

一、前言

當今信息社會，企業無不重視信息工程的建設，努力向外部人傳遞積極向好的消息，借以擴大產品銷售市場或是進行融資。廣告是企業進行宣傳的手段之一，它正在以一種妖嬈的姿態滲透到我們生活的方方面面。廣告的形式也呈現多樣化，植入式廣告這種具有很高的隱蔽性的廣告越來越受到企業的青睞。實力雄厚的企業不惜斥巨資邀名人代言以期產生名人效應，推動產品的知名度與影響力。我們不禁要問，廣告能在多大程度上提升企業的經營績效？廣告投入是否也遵循邊界效益遞減的規律？這些是本文將要研究的問題。

二、研究假設

H1：廣告投入與企業績效正相關。H2：廣告投入與企業績效是倒U型關系。

（一）變量設計與研究模型

本文的研究變量主要從企業績效和廣告投入兩方面考慮，分別選取了營業收入指標（REVENUE）和銷售費用（SALEFEE）。控制變量主要有資產負債率（DA）、總資產周轉率（TURNOVER）、總資產（ASSET）。

為了檢驗假設1和假設2，我們分別建立模型1：REVENUE=α0+α1SALEFEE+α2DA+α3TURNOVER+α4ASSET+ε和模型2：REVENUE=β0+β1SALEFEE+β2SALEFEE^2+β3DA+β4TURNOVER+β5ASSET+ε。α1應該為正，說明企業績效隨著廣告投入的增加而增加；β2應該為負，反應銷售量隨廣告支出先增加后減少的趨勢。

（二）樣本選擇與數據來源

本文選擇2010年第一季度至2012年第三季度我國滬深兩市上市公司的數據為初始樣本，并對樣本進行了篩選，首先考慮到金融行業的經營模式和盈利來源與其他非金融行業存在較大差別，剔除了金融行業的上市公司，只考慮一般企業的情況；剔除了數據缺失、異常的上市公司。最后本文得到2658個數據。本文所有的數據均來源CCER經濟金融數據庫，并采用EXCEL和EVIEWS6.0對數據進行了必要的加工和處理。

三、實證分析與結果

（一）描述性統計

本文分別對研究變量和控制變量進行了統計性分析（見表一）。從中我們發現，營業收入均值約為3.55億元，營業收入總體波動較大，小到19萬，大到133億。銷售費用均值為0.191億元，最小1375元，最大11.1億元。差距顯著，反映不同的企業對銷售的重視程度不同。同樣，在不同行業、不同企業中資產規模存在較大差異。

表一 各變量描述性統計表

（二）回歸方程結果

312本文運用EVIEWS6.0進行了OLS回歸分析（見表3）。各系數均通過5%的顯著性，模型的擬合度達到88%以上，F值很大，建模成功。從模型1，我們發現銷售費用的系數為0.22>0，且顯著，符合假設1，表示銷售支出每增加1%，企業的營業收入將增加0.22%。同時，各控制變量前的系數均為正，說明它們與企業績效也存在正向關系。

從模型2，我們看到銷售費用的一次和二次項系數均顯著，其中二次項系數-0.005

表三 方程回歸結果

四、結論與建議

本文的分析證實了廣告支出與企業績效的正相關和倒U型關系。廣告支出每提高1%，相應的企業營業收入增加022%。這意味著廣告費用并非越多越好，客觀存在一個使企業收益最大化的廣告支出。

參考文獻

[1] 倉平營銷策略組合對品牌權益的影響機理研究―基于休閑運動服飾品牌的實證[D]上海：上海交通大學博士學位論文，2007