李锦成

一、引言

2008年美国次贷危机爆发后，美国学术界和华尔街有观点认为影子银行是导致金融危机的重要因素，后期美国学者进行了大量的研究以证明影子银行会产生金融危机，并导致股市波动性加大。然而，学术界并没有研究过影子银行的极值情况。检验时间序列的极值通常利用POT模型较为常用，而通过POT模型找到极值后估计参数MCMC显然要优于极大似然估计。在GPP分布下描述极值的基础上，通过估计极值的VaR和ES，可以进一步理解金融时间序列的极值大小。本文选取了中国影子银行、上证指数、上证成交量1996—2015年的月度数据变量，通过观察和比较三个变量的极值分布和极值大小，实证分析了影子银行与A股市场的低频高损数据特征，这对研究中国影子银行对A股市场的极值影响性做出了理论铺垫，也对POT模型的应用进行了很好的创新性实践。刘睿等 （2007）[1]利用POT模型对商业银行内部欺诈风险进行了度量，使用Gibbs抽样的贝叶斯MCMC模拟方法估计了POT模型的参数，目的是解决当样本数据不足时极大似然估计中误差增大的问题。花拥军和张宗益 （2010）[2]基于VaR正态性假设导致的尾部风险低估的问题研究了POT模型，并针对样本平均函数法在某些数据结构下失效的缺陷，利用峰度法定量选取了阈值。沪深股市极端风险实证表明：涨跌停板影响了POT模型的有效性，涨跌停板前，在较高与较低的置信水平下，POT模型均比VaR模型有效；涨跌停板后，POT模型在较高置信水平下优于VaR模型，但在较低置信水平下反而不及VaR模型。……