1 导论
1.1 本书研究背景
1.2 本书主要目的
1.3 本书结构安排
1.4 本书主要创新点
2 金融风险管理及度量
2.1 金融风险管理的内涵
2.2 金融风险的度量
2.3 金融机构的相关性度量
2.4 金融体系的系统性风险
2.5 本章小结
3 基于GARCH—Expectile回归的EVaR度量
3.1 基于Expectile回归的EVaR风险测度
3.2 基于GARCH的Expectile回归
3.3 附加GARCH效应的EVaR度量结果
3.4 本章小结
4 基于结构变点GARCH—Expectile回归的EvaR动态度量
d.1 结构变点理论
4.2 LPA—GARCH—Expectile模型
4.3 EvaR的动态度量结果
4.4 本章小结
5 基于高维数据Expectile回归的边际风险贡献度量
5.1 高维数据的降维技术
5.2 高维数据的Expectile模型
5.3 基于网络关联的风险贡献度量结果
5.4 本章小结
6 Expectile回归在我国金融体系系统性风险管理中的应用研究
6.1 引言
6.2 问题的提出
6.3 研究设计
6.4 实证分析
6.5 本章小结
参考文献

从学术研究的演化路径和模型建模准确性的角度，刻画金融资产分布的尖峰厚尾、波动聚集和时变性等接近真实市场环境的风险计量模型更有研究价值。考虑到近期极端事件的频发对金融市场和金融机构造成的巨大损失，本书着眼于极端尾部风险的测量技术和金融机构间的尾部相依结构建模技术。通过模型对比，我们选择新近发展的CARE模型为研究主线，将反映资产波动聚集性特征的GARCH模型和反映模型时变特征的LPA方法引入CARE模型，得到更为精确的个体风险测度EVaR。此外，我们将Lasso方法引入高维数据的CARE模型中，得到金融机构间的网络关联结构，从而更好地识别和防范各类金融危机的发生。