基于copula的民营企业风险传染效应研究文献综述

1. 文献综述（或调研报告）：
2. Copula模型研究

Copula方法在金融领域的应用也是步步深入的，从理论研究到具体实证的过程。Sklar(1959)到Nelson(1998)的研究，对Copula理论起到了奠基性的作用。之后由Embrechts(1999)等人引入到金融领域，Romano(2001)将Copula方法引入到风险分析中，运用多元Copula-EVT方法并借助蒙特卡洛模拟对投资组合的VaR值进行了测算,Forbes(2002)应用固定相关模式下的Copula模型对金融市场风险管理，资产定价及投资组合选择进行了分析。Goorbergh等(2005)在时变Copula函数的基础上推导出新的动态演进方程,并将其应用于期权定价的研究中.叶五一等(2006)运用阿基米德Copula介绍了确定投资组合条件在险价值(CVaR)的方法，并对欧元和日元的投资组合做了相应的风险分析，得到了二者的最小风险投资组合,并对不同置信水平下的VaR和组合系数进行了敏感性分析。

相较于线性相关系数，Copula 函数可以弥补传统线性相关测度的不足，从而更加全面地描述随机变量之间的相关关系。最常用的方法是用Copula建立一个联合分布模型，来描述金融市场之间的非线性相关结构。Patton(2001)将Copula 方法用于汇率市场，研究了英镑和日元对美元汇率的相关性。Reboredo 和Ugolini(2015)使用条件风险价值和Vine Copula来研究系统风险的影响。Christensen 等(2019)提出一种混合的季节性Copula函数,同时指出在相依结构中考虑不对称性、尾部相依性和季节性对于风险管理十分重要。

鉴于Copula方法的优良特性，本研究将其应用到企业危机风险传染的研究中，首先利用Copula方法在刻画非线性、非对称及尾部相关性等相关结构和相关模式上的优势，采用相关指标，建立一种有效的对风险传染进行检验的方法并进行实证分析。

1. 信用风险传染

企业间的资产关联会造成企业风险事件的相互影响。Davis(2001)研究发现一个债务方的违约致使其他债务方违约风险强度也相应增强。Kiyotaki和Moore(1997)研究发现，在关联企业之间一家企业违约可能导致一系列企业违约破产，特别是在经济萧条时期更容易发生。Allen和Gale(2000)研究认为，信用风险传染的渠道包括企业之间的资产关系和买卖双方的贸易关系。Jarrow 和Yu (2001)通过跳跃过程模拟随机简约模型研究企业之间的信用风险传染，认为传染来源于企业之间的直接经济联系，一家企业发生违约可能导致另--家企业发生违约。Leung(2009)认为信用风险传染是某个公司的违约强度出现跳跃导致了关联公司的违约强度相应增加。

国内在信用风险传染方面的研究成果属于发展阶段，大多文献都是借鉴国外信用风险定量模型或是对模型的评价分析。信用风险实质方面，吴念鲁、杨海平(2016) 提出风险传染实质是在某一类约束条件下，某一触发因素引起的一系列资产负债表、目标函数、投资行为、资产负债表调整行为的连锁反应。王倩等(2008)提出，信用风险传染是指企业间财务状况不景气的相互传染，从结构模型角度出发，为信用违约传染建模，并在此模型基础上，分析其对信用衍生品定价的影响。李永奎、周一懋和周宗放(2017)运用传染病学原理、平均场理论，构建出关联企业间不完全免疫时信用风险的传染模型，阐述了关联企业群中信用风险的传染概率与资产关联、不完全免疫间的关系，同时文献进行了仿真模拟，研究结果表明:当免疫失效、失败同时存在时，关联企业群中信用风险传染的临界值下降，关联信用风险传染的可能性增大。周利国、何卓静和蒙天成(2019)从企业集团内部成员企业间非线性尾部相依关系的角度去刻画风险传染效应，为研究企业信用风险传染问题提供一个新的视角。通过构建动态协变量Joe-Claytoncopula模型去捕捉企业集团内部成员企业信用风险传染的动态特征，在已有研究的基础上加深了学术界及实务界对信用风险传染动态性的认识。

【参考文献】

1. Allen F, Gale D. Financial contagion. Journal of Political Economy, 2000, 108(1):1-33.
2. Christensen T S, Pircalabu A, Hog E. A seasonal copula mixture for hedging the clean spark spread with wind power futures. Energy Economics, 2019, 78: 64-80.
3. Davis M, Lo V. Infectious defaults. Quantitative Finance, 2001, 1(4): 382-387.
4. Embrechts P, McNeil A, Straumann D. Correlation and dependence in risk management: properties and pitfalls. Risk management: value at risk and beyond, 2002, 1: 176-223.
5. Forbes K J, Rigobon R. No contagion, only interdependence: measuring stock market co- movements. Social Science Electronic Publishing.
6. Kiyotaki N, Moore J. Credit chains. Journal of Political Economics, 1997, 105(21): 211- 248.
7. Leung K S,Kwok Y K. Counterparty risk for credit default swaps: markov chain interacting intensities model with stochastic intensity. Asia-Pacific Financial Markets: (formerly Financial Engineering and the Japanese Markets), 2009, 16(3): 169.
8. Nelsen R B. An introduction to copulas. Lecture notes in statistics. Optimal Mixture Experiments, 2014, 36(3).
9. Patton A J. Modeling time-varing exchange rate dependence using the conditional copula. San Diego: Department of Economics, University of California, 2001-2003, (5): 97-101.
10. Reboredo J C, Ugolini A. A vine-copula conditional value-at-risk approach to systemic sovereign debt risk for the financial sector. The North American Journal of Economics and Finance, 2015, 32: 98-123.
11. Robert A J, Fan Y. Counterparty risk and the pricing of defaultable securities. The Journal of Finance, 2001, 56(5): 1765-1799.
12. 李永奎,周一懋,周宗放. 基于不完全免疫情景下企业间关联信用风险传染及其仿真[J].中国管理科学,2017, 25(01):57-64.
13. 王倩, Hartmannwendels T. 信用违约风险传染建模.金融研究,2008, (10):162-173.
14. 吴念鲁,杨海平.流动性内涵及其对风险传染的作用机理分析.北方金融,2016, (03):3-8.
15. 叶五一, 缪柏其, 吴振翔. 基于Copula方法的条件VaR估计. 中国科学技术大学学报, 2006, 36(9):917-922.
16. 周利国,何卓静,蒙天成. 基于动态Copula的企业集团信用风险传染效应研究.中国管理科学,2019, 27(02):71-82.