管理科学与工程博士论文代写：基于仿真与机器风险评估金融的影响
这是一篇管理科学与工程博士论文代写范文，随机仿真;随机建模;金融风险管理;机器学习;运筹与管理;为研究论点。研究通过在 金融背景下的数值实验与实证实验，展示了IS方法相对于MC方法的优越性。 研究结果表明，使用IS方法在评估CoVaR时显著减少了估计结果的方差，有 助于提高CoVaR的估计性能。最后本研究结合第四章的成果，给出了不完全 信息银行-资产网络的关键节点判别方法，并同样开展了相关数值实验。建议 监管方与市场参与方在开展系统性风险评估时采用本研究所提出的基于随机仿 真方法的估计量来分析CoVaR，尤其是在被测系统过于复杂，难以通过解析或 计量方法开展分析时，仿真方法能够提供有效的破局之策。
目录
摘要
Abstract
第1章 绪论
1.1 研究背景及研究的目的与意义
金融危机既是金融风险的极限效应[ 1]，也是系统性风险的集中爆发 [2]。 1987年10月19日，由于程序化交易和市场情绪的连锁反应，加之缺乏有效的 风险管理措施，道琼斯工业平均指数在一天之内暴跌22.6%，成为有记录以来 最大的单日跌幅。作为第一起全球性崩盘事件，这是现代金融市场最显著的系 统性风险事件之一，并且涉及了所有主要资本市场，并造成了极大的经济损失。 历次大规模金融危机表明，金融节点风险在特定情形下会引发系统性风险[ 3]， 威胁金融系统稳定，造成大范围经济损失乃至社会动荡[ 4]。在过去的30年间， 1997年始于泰国货币危机的东南亚金融危机、1998年俄罗斯金融危机、2008 年由美国次贷危机引发的全球金融危机与2010年希腊等国家债务问题引发的 欧债危机，都是局部金融风险引发系统性风险进而引爆金融危机的经典案例。 习近平总书记多次强调，金融是现代经济的核心，是国民经济的血脉，要以金 融高质量发展促进经济高质量发展。对此，我国针对金融风险进行了前瞻性的 顶层设计与深入性的战略部署。2017年7月14日，习总书记在全国金融工作 会议上指出，要把主动防范化解系统性金融风险放在更加重要的位置，科学防 范，早识别、早预警、早发现、早处置，着力防范化解重点领域风险，着力完 善金融安全防线和风险应急处置机制。自党的十八大以来，以习近平同志为核 心的党中央高度重视防范化解系统性金融风险工作，要求“关口前移”。党的 十九大报告进一步明确指出要坚决打好防范化解重大风险攻坚战，其中重中之 重就在于防范金融风险。二十大报告再次强调要构建“风险预警体系”，“守 住不发生系统性风险底线”，以及要“主动防范化解风险，不断夺取全面建设 社会主义现代化国家新胜利”。2024年年底召开的中央经济工作会议深入剖 析了我国目前的经济现状：“风险隐患仍然较多”，“外部环境变化带来的不利 影响加深”，要“牢牢守住不发生系统性风险底线”。在国家经济平稳发展的 核心需求下，风险管理成为管理科学领域的重要研究问题。
1.2 国内外研究现状及其评述
结合上述研究背景、问题以及目的，本文依次对以下三种金融风险量化评 估研究中制约研究开展或应用实践的重要问题开展研究现状梳理。具体分别为： （1）金融领域的机器学习方法；（2）不完全信息网络重构方法；（3）金融风 险量化与仿真方法。
1.2.1 金融领域的机器学习方法
数字化时代的到来催生了机器学习的发展，这一有力工具也为金融领域处 理复杂数据与探索相关理论方面提供了新的见解。一般而言，机器学习分为监 督学习、无监督学习与强化学习三类。监督学习是根据已有数据集，知道输入 和输出结果之间的关系，然后根据这种已知关系训练得到一个最优模型，适用 于分类与回归两种任务。在无监督学习中，则需要用某种算法去训练无标签的 训练集从以获取这组数据的潜在结构，无监督学习大致可以分为聚类和降维两 大类[ 7]。强化学习的目标则为通过重复实验从而在环境中实现自主学习，并实 现在某一状态下做出最优的决策。尽管一些学者表明无监督学习中的聚类方法 可以被应用于识别交易行为[ 8]、市场效率 [9]等方面，也有学者尝试将强化学习 应用在投资策略优化，但由于更多金融场景中的数据天然存在标签信息，且金 融环境中的噪音会导致强化学习性能不佳[ 10]等原因，更多学者将研究重点聚 焦于监督学习，而这也是本研究的关注重点。
常见的机器学习主要包括支持向量机模型（support vector machine，SVM）、 基于树结构的模型、基于神经元结构的模型等方法。这些方法都被学者在实际 金融问题中加以应用并取得了良好的结果。例如在SVM模型方面， Karathanasopoulos（2016）将自回归移动平均模型与SVM相结合，并成功应 用于股市的指数预测[ 11]；基于树结构的随机森林模型被应用于与农业贷款风 险识别等方面[ 12]，Hou等（2015）同样基于树结构的梯度提升决策树模型在投 资组合方面实现了接近2%的月回报率[ 13]，李斌和龙真（2023）则基于提升回 归树模型分析了中国股票市场可预测性[ 14]。升了基于神经元结构模型的性能与泛用性。相关方法被广泛应用在进行资产定 价[ 15]、开发基于金融市场情绪测度的资产价格风险预测 [16]、预测诸如比特币 市场的新兴市场产品价格[ 17]等金融问题中，并且由于其具有例如循环神经网 络、卷积神经网络、图神经网络等针对性的结构，因此往往能体现出相较于传 统机器学习方法更优秀的性能。尤其是例如股价、流动性、波动性等大量金融 数据属于时间序列数据，依赖于循环神经网络结构的方法更体现出优越性。本 章也将在1.2.3节中详细讨论利用机器学习实现波动率预测的各类方法。
然而，深度学习模型通常需要大量数据才能有效训练。否则，模型的参数 将难以收敛，导致显著的预测偏差[ 18]。一些方法，如数据增强（data augmentation，DA）和迁移学习（transfer learning，TL），已被提出以处理小 数据集问题。DA可以从现有样本中生成新的训练样本，这可以有效地用于增 加训练数据量以建立模型。它通过对原始数据进行一系列数据转换、分割和其 他操作来扩展数据集的大小，从而实现这一目标[ 19,20]。在图像生成领域表现 出强大性能的扩散模型也被应用于DA中[ 21]，可见，DA主要用于小数据图像 分类和识别[ 22–24]。但这样的转换可能会破坏时间序列的连贯性和趋势性，导 致模型学习到偏置参数。因此，它可能不符合波动率预测中时间序列的自相关 特性。考虑到本文问题中DA的不可行性和碳交易的分散特性，TL可以被视 为一个潜在的方法。TL使用具有相似性数据集的数据预训练深度学习模型， 然后冻结模型中的一些结构，最在目标数据集中对模型进行再次训练[ 25]。TL 减少了训练目标域所需的数据量，并将数据需求转移到其他类似的源域。该方 法最初应用于图像识别[ 26,27]，近年来，TL的应用范围已经扩大，涵盖了气象 学[ 28]、医学 [29]、财务披露决策 [30]、以及医疗保健 [31]等领域。TL通过提供解决 本文所涉及问题的策略，解决了目标域中数据不足或难以获得的问题以及如何 在具有一定差异的相关任务之间共享知识的问题。
1.3 研究内容和结构安排
本论文的目的旨在拓展相关理论并开发系统性的基于随机仿真与机器学习 的金融风险量化评估方法。具体地，本文从单个金融节点的风险指标预测出发， 随后考虑对多节点系统的网络结构重构问题，最后考虑具有网络结构的金融系统的系统性风险指标估计方法，
具体而言，在单个节点层面，本文建立了对如碳交易市场的新兴市场的资 产价格波动率预测的迁移学习框架。该框架能够将试点市场的信息与知识拓展 至新兴市场，从而实现了在小规模的新兴市场数据下建立预测精度与常见深度 学习模型一致的目的。同时，本文还提出了可迁移性的度量因子，能够在建模 前为特征选取与源域数据选取提供指导。 在网络层面，本文重点关注于银行-资产网络的不完全信息网络重构问题。 具体地，本文建立了一种对给定度序列的二部图的高速生成方法。首先给出了 一种易于分析的 Gale-Ryser 理论的等价形式，随后提出并证明了顺序节点选 取时对具有特定度的节点的选取上下界。基于这一理论，本文分别给出了一种 对于小规模问题的遍历算法与大规模问题的抽样算法。最后通过数值实验验证 了算法的优越性。 在节点-网络耦合层面，本文开展对一种重要的系统性风险指标 CoVaR 的估计方法研究。本文将估计问题建模为随机根搜索问题，首先分别提出了基 于蒙特卡洛方法和重要性抽样方法的 CoVaR 估计算法，并从理论上证明了两 种估计量的一致性与渐近正态性，最后通过一系列金融背景下的数值实验对比 了两种不同的估计方法，验证了估计量的有效性，并结合给定度序列生成算法 给出了不完全信息网络关键节点分析方法。
1.4 研究方法与技术路线
本文的目的是基于随机仿真与机器学习等方法设计一系列解决金融风险管 理中重要问题的相关量化算法。主要应用了随机仿真方法、机器学习方法、图 论以及组合数学等理论，并且涉及数据采集与分析、数学推导与证明。
本文涉及的机器学习方法主要包括时间序列回归与深度学习、迁移学习等 方法。分别为在第三章中应用的LSTM、GRU、和涉及的CTr2L迁移学习方法。 本文涉及的图论与组合数学理论主要围绕二部图，具体包括第四章中使用的邻 接矩阵、存在性充要条件等定义、定理与理论。本文涉及的随机仿真方法主要 包括蒙特卡洛方法与重要性抽样方法，分别为第五章中应用的对于CoVaR的 蒙特卡洛与重要性抽样估计量的建立。 本研究涉及的数据采集与分析介绍如下：所使用的数据主要来源于国泰安 （CSMAR）数据库，所使用的碳交易价格数据以及常用的经济、环境数据， 相关介绍将在3.3.1节中给出。所使用的A股股权持有数据以及银行股价数据 在附录F中给出。实验中涉及的参数来源于已有权威文献中的给出的参数设定。 所有数据采集、清洗、分析均使用了Python语言编写相关程序。 本文主要使用了定量研究方法，针对所有提出的方法均使用Python语言 完成了代码化实践，并通过大量的与现有研究中的主流方法进行比较，从而证 明所提出算法的有效性与先进性。
第2章 理论与方法
2.1 金融风险理论与量化方法
自20世纪80年代以来，西方各国开始逐步解除对金融行业的监管限制， 这使得原先由政府承担的风险逐渐分散到了各类金融机构和非金融机构之中。 这一变革过程同时也极大地推动了风险管理相关领域的学术探索与发展。尤其 是随着70至80年代飞速发展的衍生金融市场与金融工程技术，市场需要更加 清晰的风险管理脉络与更加先进的风险管理技术以适应愈发复杂化的实际问题。 在这一过程中，金融风险的内涵细化从市场风险开始，逐渐增加了信用风险、 操作风险、流动性风险等类别。例如1997年，Jorion明确地区分了金融风险 中市场风险与信用风险的定义[ 109]，2001年，Diamond和Rajan的研究中正式 将市场风险、信用风险和流动性风险一同视为金融系统脆弱性的组成部分[ 110]， 2016年国际货币基金组织的风险管理体系中将金融风险划分为信用风险、流 动性风险、市场风险与收入风险。该分类体系在学术研究、国际监管框架以及 实践中被不断完善，并在发展中最终形成了现代金融风险管理框架。
其中，市场风险可以追溯到1952年马科维茨提出的现代投资组合理论[ 111]， 其重点在于资产组合的风险与收益之间的平衡。随着资本市场的快速发展，投 资者逐渐意识到如股票价格或外汇汇率波动等资产价格的波动会带来风险，这 一风险逐步被归类为市场风险。该理论也首次从定量的角度分析了市场波动对 投资组合的影响，为市场风险的研究奠定了基础。随后，伴随着20世纪70年 代银行和金融机构在贷款和债券市场中的活动增加，信用风险成为一个重要的 研究领域。1974年，默顿首先提出了基于期权定价理论的信用风险模型[ 112]， 为定量化信用风险提供了方法。信用风险的含义也逐渐明晰，即债务人未能按 时履行合同义务（如还款）的可能性，并逐渐成为独立的风险类别。在20世 纪后期，布雷顿森林体系的瓦解以及一系列金融动荡的发生推动了新的风险监 管框架的诞生。1996年，巴塞尔委员会推出了《资本协议市场风险修订框架》， 该框架在建立初期仅关注于信用风险（Basel I），后续在市场与监管需要中逐 步将市场风险与操作风险（Basel II），及流动性风险（Basel III）纳入了监管 体系中。
2.2 机器学习方法
机器学习旨在开发相应的算法与模型，从而让计算机能够从数据中学习规 律与模式，并基于这些规律进行预测或决策。其核心思想是通过数据驱动的方 式，从样本中学习，而不是明确的编程规则。Mitchell与1997年给出了被广泛 接受的机器学习定义：一个计算机程序在完成某类任务时，通过经验学习，如 果其在某一性能指标上的表现随着经验的增加而改善，则称该程序具备学习能 力。在本节将重点介绍循环神经网络与迁移学习两种机器学习方法。
2.3 复杂网络理论
复杂网络研究的起源可以追溯到1736年瑞士数学家欧拉对"哥尼斯堡七桥 问题"的开拓性研究，这项开创性工作不仅解决了具体的数学难题，更为图论 这一数学分支的发展奠定了基础，从而为后来的复杂网络研究提供了理论支撑。 在复杂网络结构研究的发展历程中，学者们最初是从最基本的规则网络模型入 手展开探索的，这一模型也是图论中的最基本的网络结构之一。在规则网络中， 所有节点具有相同的连接模式和度，节点之间的连接关系完全遵循着某种规律 排列。具体而言，规则网络中所有节点的度相同，节点间形成了特定的几何。
2.4 随机仿真方法
随着现实问题趋向于系统化、复杂化，简单的概率分布模型已经无法很好 地刻画客观世界的性质。实际上，精确求解现实问题的目标函数或期望往往是 不具备操作性的，因此随机仿真方法应运而生。该方法可以通过生成随机样本 来分析复杂系统和评估目标变量，并能够利用计算机模拟随机过程，从而为例如金融工程、复杂系统设计、人工智能等问题求解提供了高效的数值解决方案。
在随机仿真方法中，蒙特卡洛方法和重要性抽样方法是基础且具有代表性 的方法。蒙特卡洛方法通过依赖于大量随机样本的生成，计算复杂系统的期望 值或目标函数，尤其适用于高维度和非线性问题。然而，蒙特卡洛方法的效率 往往受限于样本数量的需求，且在某些情况下，收敛速度较慢。因此，如何通 过减少样本数量同时保持估计精度成为了研究的重要方向。为了解决上述问题， 重要性抽样方法应运而生。重要性抽样通过对样本生成过程进行调整，使得生 成的样本更集中于对目标函数影响较大的区域，从而提高了估计的效率。这种 方法特别适用于那些存在稀有事件或尾部效应的场景，如金融风险估计和极端 事件预测。在本研究第六章内容中，涉及了系统性风险尾部冲击的相关研究， 蒙特卡洛方法与重要性抽样方法为该研究提供了重要的解决方案。接下来饿哦 们将首先介绍蒙特卡洛方法与重要性抽样方法的相关理论，并最后通过一个与 研究紧密相关的分位数估计示例来展示蒙特卡罗方法与重要性抽样方法的实际 工作过程
第3章 基于迁移学习的新型资产节点风险预测方法
3.1 问题描述
3.2 研究方法
3.3 研究数据
3.4 实证研究
3.5 可迁移性
3.6 本章小结
第4章 基于节点不完全信息的金融网络重构方法
4.1 问题描述
第三章的研究中开展了对新型资产的波动率预测方法，实现了节点层面风 险的有效管理。但对于整体金融网络而言，节点波动率只能反映其自身风险。 现如今，准确评估系统性风险对于监管当局和金融实体已成为较为重要的问题 [225]，而理解金融系统内部的风险传播机制是有效防范化解潜在金融危机的关 键。但准确评估系统性风险绝非易事，其中一个主要挑战在于构建金融网络的 拓扑结构。
金融网络的拓扑结构是系统性风险传播的基础[ 226]。通过研究金融机构之 间的相互关系和交互方法，研究人员可以追踪并刻画风险如何在整个网络中传 播扩散机制[ 227–229]。在这方面，银行-资产网络备受关注。该网络反映了银行 与各种资产之间的联系，是金融系统中最重要的网络之一[ 230]。在这样的网络 中，一种资产价值的下降可能迫使持有该资产的公司出售其他资产，从而压低 其价格并导致持有这些资产的其他公司遭受损失[ 231]。许多研究表明，这种机 制是系统性风险的重要来源[ 232–234]。 为了研究银行-资产网络的结构和特征，学者们常将其抽象为二部图。在 这样的抽象中，银行和资产被视为两组节点，银行持有的资产构成例二部图的 边[ 235]。这种抽象使研究人员能够应用图论和复杂网络理论的工具来分析网络 的结构和动态特性，从而有效管理系统性风险并减少损失。然而，观察到的银 行-资产网络通常提供的信息有限，通常只揭示银行持有的资产数量和每种资 产被多少银行持有[ 236]。这种不完全性为研究银行-资产网络，特别是重建网络 结构带来了挑战。从已知的度序列，即银行持有的资产数量和每种资产被持有 的银行数量，重建原始的银行-资产网络结构是一个重要的研究问题[ 50,51]。在 实践中，刻画金融网络的矩阵的行列和信息已知，而矩阵本身未知，被几大央 行视为关键问题，围绕这个问题已进行了一些高质量的研究工作[ 61,237]。 在之前的研究中，学者们提出了各种方法来解决这一重建问题，包括基于 马尔可夫链蒙特卡罗（MCMC）的抽样算法[ 238]，贝叶斯理论 [61]，最大熵 （ME）方法[ 51]，交换法 [63]等。然而，现有方法存在效率低下和处理大规模问 题能力有限等局限。
4.2 问题设定与相关定理
第三章的研究中开展了对新型资产的波动率预测方法，实现了节点层面风 险的有效管理。但对于整体金融网络而言，节点波动率只能反映其自身风险。 现如今，准确评估系统性风险对于监管当局和金融实体已成为较为重要的问题 [225]，而理解金融系统内部的风险传播机制是有效防范化解潜在金融危机的关 键。但准确评估系统性风险绝非易事，其中一个主要挑战在于构建金融网络的 拓扑结构。
金融网络的拓扑结构是系统性风险传播的基础[ 226]。通过研究金融机构之 间的相互关系和交互方法，研究人员可以追踪并刻画风险如何在整个网络中传 播扩散机制[ 227–229]。在这方面，银行-资产网络备受关注。该网络反映了银行 与各种资产之间的联系，是金融系统中最重要的网络之一[ 230]。在这样的网络 中，一种资产价值的下降可能迫使持有该资产的公司出售其他资产，从而压低 其价格并导致持有这些资产的其他公司遭受损失[ 231]。许多研究表明，这种机 制是系统性风险的重要来源[ 232–234]。 为了研究银行-资产网络的结构和特征，学者们常将其抽象为二部图。在 这样的抽象中，银行和资产被视为两组节点，银行持有的资产构成例二部图的 边[ 235]。这种抽象使研究人员能够应用图论和复杂网络理论的工具来分析网络 的结构和动态特性，从而有效管理系统性风险并减少损失。然而，观察到的银 行-资产网络通常提供的信息有限，通常只揭示银行持有的资产数量和每种资 产被多少银行持有[ 236]。这种不完全性为研究银行-资产网络，特别是重建网络 结构带来了挑战。从已知的度序列，即银行持有的资产数量和每种资产被持有 的银行数量，重建原始的银行-资产网络结构是一个重要的研究问题[ 50,51]。在 实践中，刻画金融网络的矩阵的行列和信息已知，而矩阵本身未知，被几大央 行视为关键问题，围绕这个问题已进行了一些高质量的研究工作[ 61,237]。 在之前的研究中，学者们提出了各种方法来解决这一重建问题，包括基于 马尔可夫链蒙特卡罗（MCMC）的抽样算法[ 238]，贝叶斯理论 [61]，最大熵 （ME）方法[ 51]，交换法 [63]等。然而，现有方法存在效率低下和处理大规模问 题能力有限等局限。
4.3 二部图生成算法
第三章的研究中开展了对新型资产的波动率预测方法，实现了节点层面风 险的有效管理。但对于整体金融网络而言，节点波动率只能反映其自身风险。 现如今，准确评估系统性风险对于监管当局和金融实体已成为较为重要的问题 [225]，而理解金融系统内部的风险传播机制是有效防范化解潜在金融危机的关 键。但准确评估系统性风险绝非易事，其中一个主要挑战在于构建金融网络的 拓扑结构。
金融网络的拓扑结构是系统性风险传播的基础[ 226]。通过研究金融机构之 间的相互关系和交互方法，研究人员可以追踪并刻画风险如何在整个网络中传 播扩散机制[ 227–229]。在这方面，银行-资产网络备受关注。该网络反映了银行 与各种资产之间的联系，是金融系统中最重要的网络之一[ 230]。在这样的网络 中，一种资产价值的下降可能迫使持有该资产的公司出售其他资产，从而压低 其价格并导致持有这些资产的其他公司遭受损失[ 231]。许多研究表明，这种机 制是系统性风险的重要来源[ 232–234]。 为了研究银行-资产网络的结构和特征，学者们常将其抽象为二部图。在 这样的抽象中，银行和资产被视为两组节点，银行持有的资产构成例二部图的 边[ 235]。这种抽象使研究人员能够应用图论和复杂网络理论的工具来分析网络 的结构和动态特性，从而有效管理系统性风险并减少损失。然而，观察到的银 行-资产网络通常提供的信息有限，通常只揭示银行持有的资产数量和每种资 产被多少银行持有[ 236]。这种不完全性为研究银行-资产网络，特别是重建网络 结构带来了挑战。从已知的度序列，即银行持有的资产数量和每种资产被持有 的银行数量，重建原始的银行-资产网络结构是一个重要的研究问题[ 50,51]。在 实践中，刻画金融网络的矩阵的行列和信息已知，而矩阵本身未知，被几大央 行视为关键问题，围绕这个问题已进行了一些高质量的研究工作[ 61,237]。 在之前的研究中，学者们提出了各种方法来解决这一重建问题，包括基于 马尔可夫链蒙特卡罗（MCMC）的抽样算法[ 238]，贝叶斯理论 [61]，最大熵 （ME）方法[ 51]，交换法 [63]等。然而，现有方法存在效率低下和处理大规模问 题能力有限等局限。
第5章 基于重要性抽样的节点网络耦合系统性风险估计方法
在第三、四章中分别实现了金融网络节点风险预测与金融网络的重构。在 本章中将结合上述研究内容，并进一步从节点网络耦合层面风险出发，开展关 于金融网络系统性风险的研究。尤其将在本章中重点结合第四章内容，提出一 种不完全信息网络的关键节点分析方法，这一方法将为实践中难以完全获取全 部网络结构信息，但仍需实现重点节点管理的问题提供解决方案。
在管理由多个节点组成的网络系统的风险时，评估个别节点风险对整体系 统风险的影响，即评估系统风险，是一个关键问题。例如，在金融领域，各种 实体，如金融机构、公司和个人，通过资产持有、股权和债务相互连接，形成 错综复杂的金融网络。这种网络可以促进风险传染，促使监管当局关注关键节 点的损失对整个金融网络的影响。因此，识别和度量系统性风险成为金融监管 和风险管理的重要任务。为了有效地防范和应对系统性风险，监管机构和学术 界提出了多种度量方法和指标。其中，CoVaR作为一种衡量系统性风险的工具， 逐渐受到广泛关注和应用。CoVaR是近年来在金融风险管理中被广泛采用的一 种度量系统性风险的方法，该指标通过计算在特定金融机构处于危机状态时， 整个金融系统的风险水平，从而量化单个机构对系统性风险的贡献。具体而言， CoVaR衡量的是在给定条件下（即某一金融机构的风险超过其VaR值时），整 个系统的VaR值。这一方法不仅考虑了单个机构的风险，还反映了不同机构 之间的相互影响和关联性。CoVaR的提出旨在弥补传统风险度量方法的不足， 传统方法往往只关注单个机构的独立风险，而忽视了系统性风险的传染效应。 通过应用CoVaR，监管机构和风险管理者可以更全面地了解金融系统的脆弱性， 识别出潜在的系统性风险源，并采取相应的防范措施。因此，CoVaR在金融稳 定性分析和系统性风险管理中具有重要意义。
传统的CoVaR估计方法主要依赖于计量经济学模型和解析形式结果。这 些方法通常基于对金融市场和机构行为的若干统计假设，通过分析历史数据来 估计模型参数和进行风险度量。例如，经典方法通常假设金融变量之间的关系 是线性且稳定的，并假定金融市场中存在一定程度的均值回归现象。此外，本研究通过在 金融背景下的数值实验与实证实验，展示了IS方法相对于MC方法的优越性。 研究结果表明，使用IS方法在评估CoVaR时显著减少了估计结果的方差，有 助于提高CoVaR的估计性能。最后本研究结合第四章的成果，给出了不完全 信息银行-资产网络的关键节点判别方法，并同样开展了相关数值实验。建议 监管方与市场参与方在开展系统性风险评估时采用本研究所提出的基于随机仿 真方法的估计量来分析CoVaR，尤其是在被测系统过于复杂，难以通过解析或 计量方法开展分析时，仿真方法能够提供有效的破局之策。
结论
此外，本研究通过在 金融背景下的数值实验与实证实验，展示了IS方法相对于MC方法的优越性。 研究结果表明，使用IS方法在评估CoVaR时显著减少了估计结果的方差，有 助于提高CoVaR的估计性能。最后本研究结合第四章的成果，给出了不完全 信息银行-资产网络的关键节点判别方法，并同样开展了相关数值实验。建议 监管方与市场参与方在开展系统性风险评估时采用本研究所提出的基于随机仿 真方法的估计量来分析CoVaR，尤其是在被测系统过于复杂，难以通过解析或 计量方法开展分析时，仿真方法能够提供有效的破局之策。
本文的主要创新点如下：
（1）本文基于GARCH-GRU模型建立了新型的碳交易迁移学习框架，解 决了新兴市场对波动率预测精度需求与数据量不足之间的矛盾，同时基于动态 时间规整与特征解释能力提出了一种有效的可迁移性因子。
（2）针对银行-资产网络的信息不完全问题，本文建立了对于银行-资产 网络图的邻接节点数量选择定理，同时基于上述定理提出了针对小规模问题的 无重复遍历图抽样算法和针对大规模问题的随机化图抽样算法。
（3）本文提出了CoVaR的蒙特卡洛估计方法与重要性抽样估计方法，从 理论上建立了两种估计方法的一致性与渐进正态性，并基于大偏差原理构造了 有效的重要性抽样分布。同时给出了一种不完全信息网络的关键节点识别方法。
在现阶段，本文的结果也存在着一定的局限性，主要体现在如下几个方面， 并且后续也将在这些方面开展进一步的研究。
首先，由于我国碳交易市场仍处于初期阶段，考虑到交易数据的连续性以 及可用性，目前仍然难以以更多的试点市场或全国统一碳市场为例构建基于 CTr2L框架的模型。后续将在数据量更为充足的情况下，尝试将源域设置为除 湖北与广东外的其他试点市场，并将在全国统一碳市场乃至其他新兴市场进行 应用，以预测其价格波动率。
其次，由于Gale-Ryser定理的出发点是分析关于给定度序列的二部图的存 在性，而本文提出的不完全信息网络重构方法在理论层面主要依赖于基于 Gale-Ryser定理提出的等价形式，因此所提出的方法均更适用于银行-资产网络。 在后续研究中，将针对有向图与无向图的特点，进一步研究关于顺序选取具有 特定度的邻接节点的定理，通过建立基础理论来保障后续方法效率。
最后，本文分别提出了基于蒙特卡洛与重要性抽样方法的CoVaR估计方 法，并建立了其一致性与渐进正态性。然而，部分的相关结论中存在着一定的 条件与假设限制。另一方面，本文只讨论了关于CoVaR的估计方法，未来的 研究将探讨针对其他系统性风险（如SES和MES）的蒙特卡洛和重要性抽样 估计方法以及相关的理论结果。
附录 A 特征工程
A.1 相关性和特征重要性
A.2 特征的标准化
附录 B 平稳性与 ARCH 效应检验
附录 C 对比模型所使用的超参数
附录 D 定理 4-2 的证明
附录 E 对于给定度序列的二部图的平凡遍历算法
附录 F 基于共同持股网络的银行节点重要性分析