|
| ||
| VaR模型的投资组合风险分析——基于周期性行业与非周期性行业比较 | ||
| 学 院： xxxxxxxxxx | ||
| 专 业： xxxxxxxxxx | ||
| 年 级： xxxx | ||
| 学生姓名： xxx | ||
| 学 号： xxxxxxx | ||
| 指导教师： xxx 职称： xx | ||
| 论文完成时间： 20xx年x月 | ||
| 滇西科技师范学院教务处制 | ||
毕业论文（设计）原创性声明
本人所呈交的毕业论文（设计）是我在导师的指导下进行的研究工作及取得的研究成果。据我所知，除文中已经注明引用的内容外，本论文（设计）不包含其他个人已经发表或撰写过的研究成果。对本论文（设计）的研究做出重要贡献的个人和集体，均已在文中作了明确说明并表示谢意。
作者签名： 日期：
毕业论文（设计）授权使用说明
本论文（设计）作者完全了解滇西科技师范学院有关保留、使用毕业论文（设计）的规定，学校有权保留论文（设计）并向相关部门送交论文（设计）的电子版和纸质版。有权将论文（设计）用于非赢利目的的少量复制并允许论文（设计）进入学校图书馆被查阅。学校可以公布论文（设计）的全部或部分内容。保密的论文（设计）在解密后适用本规定。
作者签名： 指导教师签名：
日期： 日期：
VaR模型的投资组合风险分析——基于周期性行业与非周期性行业比较
摘要：本文旨在深入探讨VaR（Value at Risk）模型在投资组合风险分析中的应用，特别是在周期性行业与非周期性行业风险特性分析方面的具体实践。文章首先详细阐述了VaR模型的基本原理，包括其定义、投资组合的风险与收益计算方式，以及三种主流的VaR计算方法：历史模拟法、方差-协方差法和蒙特卡洛模拟法。通过对这三种方法的原理、适用场景及优缺点进行深入剖析，本文为投资者和风险管理者提供了选择和使用VaR模型的明确指导。随后，文章针对周期性行业与非周期性行业的风险特性进行了深入分析。通过对周期性行业在市场风险方面的显著波动性以及非周期性行业在风险稳定性方面的表现进行具体阐述，揭示了不同行业在风险特性上的显著差异。这些分析不仅有助于投资者更好地理解行业风险，也为他们在构建投资组合时考虑行业风险特性提供了有力的理论支持。在此基础上，本文将VaR模型应用于投资组合风险分析中，通过具体案例展示了VaR模型在周期性行业与非周期性行业投资组合风险分析中的实际应用。通过对投资组合的收益率和风险值的计算，以及VaR值的比较，本文为投资者提供了评估投资组合风险的具体方法和有效工具。最后，文章对VaR模型在投资组合风险分析中的适用性与局限性进行了全面总结，并针对周期性行业与非周期性行业投资组合风险管理提出了切实可行的建议。同时，文章也指出了研究的不足之处，为后续研究提供了明确的方向和思路。
关键词：VaR模型；投资组合风险分析；周期性行业；非周期性行业；风险特性分析
VaR模型的投资组合风险分析——基于周期性行业与非周期性行业比较
Abstract： The purpose of this paper is to deeply discuss the application of VaR (Value at Risk) model in portfolio risk analysis, especially in the specific practice of risk characteristic analysis of cyclical and non-cyclical industries. The article first elaborates on the basic principles of the VaR model, including its definition, the way to calculate the risk and return of a portfolio, and the three mainstream VaR calculation methods: historical simulation, VaRiance-coVaRiance method, and Monte Carlo simulation method. Through an in-depth analysis of the principles, application scenarios, advantages and disadvantages of these three methods, this paper provides investors and risk managers with clear guidance on the selection and use of VaR models. Subsequently, the paper provides an in-depth analysis of the risk characteristics of cyclical and non-cyclical industries. By elaborating on the significant volatility of cyclical industries in terms of market risk and the performance of non-cyclical industries in terms of risk stability, the significant differences in risk characteristics of different industries are revealed. These analyses not only help investors better understand sector risk, but also provide strong theoretical support for them to consider the sector risk characteristics when constructing their portfolios. On this basis, this paper applies the VaR model to portfolio risk analysis, and demonstrates the practical application of VaR model in portfolio risk analysis of cyclical and non-cyclical industries through specific cases. Through the calculation of the return and risk value of the portfolio, as well as the comparison of the VaR value, this paper provides investors with specific methods and effective tools for assessing the risk of the portfolio. Finally, this paper comprehensively summarizes the applicability and limitations of the VaR model in portfolio risk analysis, and puts forward practical suggestions for portfolio risk management in cyclical and non-cyclical industries. At the same time, the paper also points out the shortcomings of the research and provides a clear direction and ideas for follow-up research.
Keywords: VaR model; portfolio risk analysis; cyclical industries; non-cyclical sectors; Risk profiling
目 录
- 前言
1.1研究背景与意义
1.1.1 研究背景
周期性行业指的是受经济周期影响较大的行业，经济低迷，行业亦表现为低迷，经济繁荣，行业也会表现得高涨。如：大宗商品（钢铁、煤炭、化工、电器、汽车等），民众方面，经济不好时，收入减少，消费欲望就低，消费更谨慎；工业方面，在经济低迷，由于社会需求减少，企业就不会扩大生产规模，不会增加设备成本投入和原材料购入，甚至会减少生产线，此时会面临裁员[1]。周期性股票是股票市场中数量最多的类型之一，其显著特征是股息支付率高且股价水平相应较高。这类股票的价格走势与经济周期紧密相关，呈现出明显的涨跌波动。投机性较强的周期性股票多涉及汽车制造、房地产等行业。当整体经济呈现上升态势时，这些股票的价格也会迅速攀升[2]；而一旦经济陷入低迷，它们的价格则会相应下跌。
非周期性行业指的是那些独立于宏观经济波动的行业[3]，它们没有明确的周期性特征，并且多数属于服务行业。这些行业主要涉及人们日常生活中的必需消费，如食品、医药、烟酒、服装、粮食以及交通运输等。简而言之，非周期性行业主要提供生活必需品。相应地，非周期性股票主要存在于那些生产必需品的上市公司中。无论经济环境如何变化，人们对这些基本需求品的需求都相对稳定，因此这些行业包括医药、食品饮料、商业零售以及铁路建设等板块在内的重点领域，都呈现出较为稳定的股票表现。
随着全球经济一体化的不断深入，投资组合的风险管理越来越受到关注。VAR模型作为一种常用的风险度量工具，能够定量地衡量投资组合在一定置信水平下的最大潜在损失，对于投资组合的风险管理具有重要意义。不同行业的股票具有不同的风险特性，周期性行业和非周期性行业的股票风险表现存在明显差异。因此，本文旨在利用VAR模型对周期性行业和非周期性行业的投资组合进行风险分析，为投资者提供参考。
风险是金融的本质，经营金融就是经营风险。我国资本市场有40 万亿的股票、80 万亿规模的债券，投资者涵盖商业银行、券商、保险、基金及散户。专业机构投资者持有了大量的股票、债券及期货、期权等其他衍生品，承担了巨大风险，如何管理风险是各家机构投资者不得不面对的问题。在险价值（Value at Risk），简称VaR模型，兴起于上世纪90年代，JP Morgan将其发扬，创立了Risk Metrics系统。目前VaR模型已被广泛运用于各金融机构的市场风险计量和管理。在投资组合的风险分析中，VaR模型（Value at Risk）被广泛应用。VaR模型是一种用于衡量金融资产或投资组合在给定置信水平下可能遭受的最大损失的统计方法。随着全球金融市场的不断发展，投资者对于风险管理的需求日益增长，特别是在周期性行业与非周期性行业的投资决策中。然而，如何准确、有效地利用VaR模型对投资组合风险进行分析，仍是一个值得研究的问题。
预期能够为投资者提供更加全面、有效的风险管理策略，降低投资风险，提高收益。同时，研究成果将丰富VaR模型在投资组合风险分析中的应用领域，推动金融风险管理技术的发展。此外，通过比较周期性行业与非周期性行业的投资组合风险特性，为投资者在不同行业间的投资决策提供参考，促进资源的合理配置。
VaR模型作为一种先进的风险管理工具[5]，近年来在国内学术界和实务界均得到了广泛关注和深入研究。国内学者在VaR模型的原理、计算方法以及实际应用方面进行了大量工作，不仅丰富了风险管理领域的理论内涵，也为金融市场、行业和公司的风险分析提供了有力支持。
在VaR模型的原理和计算方法方面，国内学者深入研究了VaR模型的理论基础，探讨了其在不同市场环境下的适用性。同时，结合中国金融市场的特点，国内学者还发展了一系列适合中国市场的VaR计算方法[6]，如基于历史模拟法、蒙特卡洛模拟法以及参数法等。这些方法不仅提高了VaR计算的准确性和效率，也为风险管理实践提供了有力工具。
在VaR模型的实际应用方面，国内学者进行了广泛的研究。首先，在金融市场的风险测量方面，利用VaR模型对股票市场、债券市场和外汇市场的风险进行了测量和分析。例如，孟珊与徐佳文基于GARCH-VaR模型[7]对上证指数的风险进行了度量，通过建立GARCH模型并结合Eviews软件[8]预测未来上证指数的条件方差，进而计算预期VaR值。这一研究为投资者提前预测股票价格波动、掌握价格走势提供了重要参考。
此外，在行业和公司的风险分析方面，国内学者也利用VaR模型对不同行业和公司的风险进行了深入分析[9]。例如，针对能源、医药、制造等行业的投资组合风险，以及知名公司的财务风险，学者们运用VaR模型进行了量化分析，为行业和公司的风险管理提供了科学依据。
在供应链风险管理方面，国内学者也开始探索VaR模型的应用[10]。随着全球化和供应链的日益复杂，供应链风险已经成为企业和行业面临的重要挑战。VaR模型在供应链风险管理中的应用，有助于企业和行业更加精准地识别、评估和控制风险，提高供应链的韧性和稳定性。
同时，国内学者还对VaR模型与其他风险管理工具[11]进行了比较和分析。例如，将VaR模型与风险价值（VaR）模型、条件风险价值（CVaR）模型等其他风险管理工具进行对比，分析各自的优缺点和应用范围。这种比较研究有助于更加全面地了解各种风险管理工具的特点和适用场景，为风险管理实践提供更加丰富的选择。
在实际应用案例研究方面，国内的一些金融机构和企业已经开始将VaR模型应用于实际的风险管理和投资决策中[12]。例如，银行和保险公司利用VaR模型进行资产组合的风险管理，基金公司和证券公司则利用VaR模型进行投资组合的优化和调整。这些实践案例充分展示了VaR模型在风险管理领域的实际应用价值和潜力。
VAR模型作为一种重要的风险管理工具，在国外学术界和实务界均受到了广泛的关注和研究。当前，国外对VAR模型的研究主要集中在以下几个方面，展现了该领域研究的多样性和深度。
首先，VAR模型的最优配置[13]问题是国外学者研究的重点之一。他们深入探讨了VAR模型在不同置信水平、时间跨度和资产组合权重下的最优配置，为投资者提供了更加精确和有效的风险管理策略。这些研究不仅有助于投资者在风险管理和投资组合优化方面做出更明智的决策，也为金融机构的风险管理实践提供了重要的理论支持。
其次，VAR模型与其他风险管理工具[14]的比较研究也是国外学者关注的热点。VAR模型作为一种经典的风险管理工具，其与现代风险管理工具如CVaR、ES等的比较一直备受关注。国外学者通过对比这些工具在精度、稳健性和计算效率等方面的差异，为投资者提供了更多的风险管理选择，并推动了风险管理工具的持续创新和发展。
此外，动态VAR模型[15]的研究在国外也备受瞩目。随着金融市场的日益复杂和动态变化，传统的静态VAR模型已难以满足风险管理的需求。因此，国外学者致力于研究如何构建动态VAR模型，以更好地捕捉金融市场的动态风险和不确定性。这些研究为投资者提供了更准确、更及时的风险管理决策支持，有助于降低投资风险并提升投资效益。
在实践应用方面，国外学者[16]也积极探讨了VAR模型在不同类型资产组合和不同市场条件下的风险管理应用。他们通过案例研究和实证分析，深入探索了VAR模型在金融监管和风险管理实践中的具体应用情况，为金融机构和企业提供了宝贵的经验和启示。
近年来，随着大数据和机器学习技术的快速发展，数据驱动的VAR模型[17]研究逐渐成为国外研究的新趋势。国外学者利用机器学习算法对VAR模型的参数估计和预测性能进行优化和改进，以提高模型的准确性和效率。这些研究为VAR模型的进一步发展提供了新的思路和方法，也为风险管理领域的技术创新提供了有力的支持。
综上所述，国外对VAR模型的研究呈现出多元化和深入化的趋势。从最优配置到与其他风险管理工具的比较，再到动态模型和数据驱动的研究，国外学者在VAR模型领域取得了丰富的成果。这些研究不仅推动了VAR模型的持续改进和发展，也为金融机构和企业的风险管理实践提供了重要的理论支持和实践指导。
本研究旨在运用VaR模型分析投资组合风险，通过对比周期性行业与非周期性行业的风险特性，结合实证数据，探讨VaR模型在不同行业中的适用性。研究发现，VaR模型能有效评估投资组合风险，但存在局限性，针对不同行业特性，需灵活调整风险管理策略。最终，为投资者提供有益的风险管理建议。
1文献分析法
系统梳理国内外关于VaR原理及算法、周期性行业与非周期性行业风险特性的研究现状，为后续研究提供理论支撑和依据。
2理论推导法
深入剖析VaR模型的基本原理和计算方法，包括历史模拟法、方差-协方差法、蒙特卡洛模拟法等，为实证分析提供理论基础。
3实证分析法
选取具有代表性的周期性行业和非周期性行业案例，收集相关数据，运用VaR模型对投资组合风险进行分析。通过对比不同行业、不同权重分配方式下的风险计算结果，揭示VaR模型在不同行业中的适用性和局限性，并提出相应的风险管理建议。
本文的论文结构主要分为四大部分。首先，第2章详细阐述了VaR原理及算法，包括VaR的概念定义、投资组合的风险与收益，以及VaR计算的三种主要方法——历史模拟法、方差-协方差法和蒙特卡洛模拟法，并对这些方法进行了比较。接着，第3章分析了周期性行业与非周期性行业的风险特性，对比了两类行业在市场波动、市场风险与信用风险等方面的不同表现。然后，第4章将VaR模型应用于投资组合风险分析中，通过实际案例展示了VaR模型在周期性行业与非周期性行业投资组合风险分析中的具体应用。最后，第5章总结了VaR模型在投资组合风险分析中的适用性与局限性，并提出了针对周期性行业与非周期性行业投资组合风险管理的建议，同时指出了研究的不足之处。整篇论文结构清晰，内容充实，为投资者和行业风险管理者提供了有价值的参考。
自从JP.Morgan在1994年引入VaR作为风险管理工具以来，这一算法因其简洁的概念和坚实的概率统计理论基础，而备受青睐。与传统的风险计算方法相比，VaR算法不仅能够将投资者在金融市场上持有的投资组合在未来可能面临的风险价值简化为一个数值，让投资者清晰地了解他们投资组合在未来一段时间内的最大潜在风险；同时，它也成为金融管理部门监控和管理市场金融机构、评估市场风险的重要工具，因此得到了广泛的应用。
风险价值VaR（Value at Risk）通常被界定为：在特定的持有期内和给定的置信水平下，当市场正常运作时，投资者所持有的金融资产或某资产投资组合在未来的一段时间内可能遭遇的最大潜在损失。其数学表达如公式（2-1）所示：
其中，
为资产组合价值实际损失小于最大可能损失值的上限的概率；
为在持有期
内投资组合可能的损失额；
为在置信水平c下，风险价值的最大可能损失值；c为既定置信水平。
风险价值VaR的数学定义为：若
为投资组合的初期值，在持有期末，其对应的期望价值为
,既定置信水平为c，其对应的最低价值为
，投资组合的最低收益率为
。若给定该投资组合的期望收益率（u），VaR表达如公式（2-2）所示：
在风险价值计算过程中有两个参数十分重要其分别为：持有期T、置信水平c。
在金融机构中，内部VaR的计算通常选择1天作为持有期。然而，对于大多数企业来说，他们更倾向于选择月度、季度、半年度或年度作为持有期来计算VaR。管理者在计算VaR时，常用的置信水平通常为95%和99%。具体来说，95%的置信水平意味着在100个交易日中，投资组合的最大损失超过对应VaR值的情况最多只会出现5天，这5%的几率反映了金融资产管理者对风险的厌恶程度。
当模型计算完成后，检验模型时置信水平c的选择变得尤为关键。一般来说，置信水平c越高，模型的最终结果被认为越可靠和准确。
95%的置信水平意味着在正常市场环境下，投资组合的损失不会超过VaR值的可能性为95%。这个设置可以看作是投资者对于“大概率事件”的风险度量，它能够帮助投资者在大多数情况下合理评估和控制风险。95%的置信水平也符合一般风险管理的要求，能够在保证一定安全性的前提下，为投资者提供相对准确的风险度量结果。99%的置信水平则更为严格，它要求投资组合的损失不超过VaR值的可能性高达99%。这种设置适用于对风险要求极高的投资者或机构，希望在最极端的市场环境下也能保持对风险的有效控制。虽然99%置信水平下的VaR值可能会比95%时更大，但它为投资者提供了更为稳健的风险保障，有助于在极端风险事件中避免重大损失。
95%和99%置信水平的设置是根据风险管理需求和投资者心理承受能力综合考虑的结果。这两个数值既能够满足一般风险管理的要求，又能为特殊风险偏好的投资者提供更为严格的风险度量标准。
若有一个包含N种资产的投资组合，其每种资产所占比例为：
。设t时刻，投资组合价值为
，则有公式（2-3）所示：
假设
是t-1时刻的单利净收益率，则有公式（2-4）所示：
若
是t-1到t时刻的连续复利净收益率，则有公式（2-5）及（2-6）所示：
当
趋于0时，
近似于
则有：
当
，则有
,
由上述推导可知，当我们要得到投资组合的连续复利收益率时，需要满足
趋于0，
，对于单例收益率，无论哪种情况总是等于组合中每个投资产品的单利收益率的加权平均。本文的收益率采用基于复利收益率计算。
鉴于未来市场变动无常，投资前景难以精准把握，投资者需保持高度谨慎的投资态度。在这样的背景下，投资者们面临的重要问题是：如何在降低投资风险的同时，实现利润的最大化。实际上，一个有效的方法就是进行资产组合投资，即选择多样化的资产进行组合投资。这样的策略不仅可以分散投资风险，还能有效降低风险，进而保护投资者的利益。因此，准确计算资产组合的风险价值就变得尤为重要。
首先，计算投资组合种每一项投资产品所面临的的风险，得到各项资产对应的风险价值，将各项资产的风险价值进行求和即可得到投资组合的VaR值
投资组合P在时间t到t+1的收益率定义如公式（2-7）所示：
其中，N代表资产数量；
代表资产i的收益率；
代表权重，在投资组合中各项权重之和为1。
投资组合收益率的矩阵表示如公式（2-8）所示：
其中，
作为权重水平向量；R为N个资产的收益率列向量。
所以，投资预期收益率如公式（2-9）所示：
该组合协方差如公式（2-10）所示：
简化化简后得方差表示如公式（2-11）所示：
假定投资组合份额为x，投资额如公式（2-12）所示：
为了利用投资组合的方差来衡量VaR的值，本文使用正态标准差
对之前的置信水平c进行替换。此处给定
是该投资组合对应的初始值，投资组合的风险价值表示如公式（2-13）所示：
投资组合各部分所承担风险如公式（2-14）所示：
历史模拟法，作为计算VaR值的三种主要方法中最直观且操作简便的一种，其显著优势在于无需对风险因子的分布进行特定的假设。然而，该方法基于一个核心假设，即投资组合未来的价格变动与其过去的价格变动规律之间存在某种联系。换言之，历史模拟法通过分析历史数据的变动趋势，对未来投资组合的价格变化进行估值和预测。这一假设基础在于市场行为的持续性和可预测性，从而实现对投资组合未来风险的有效衡量。
首先，我们从过去的观测值中筛选出一定量的数据，作为计算的基础。接着，我们将这些选定的历史数据按照收益率从小到大的顺序进行等分，划分为若干个区间。然后，通过统计每个区间内收益率发生的频率，我们可以计算出该区间内收益率发生的概率，即频率除以对应的样本数量。最后，基于这些概率值，我们就能够确定各个区间所对应的风险值，从而全面评估投资组合的潜在风险。
例如，在时间序列当中，选取一个资产的历史收益率，将收益率乘以该方法当前的权重，如公式（2-15）所示：
其中，
为当前权重值。从历史时期t个观测值当中能够得出每一种情形的k。此方法可对完全估值法进行运算，将风险因子假定价值，当前价格基础上加上历史价格就得到了虚拟价格，如公式（2-16）所示:
作为这个新组合的价值，可以用虚拟价值计算得到。这就产生了与模拟值k相对的虚拟收益，如公式（2-17）所示：
VaR值可以从所有虚拟收益分布上获取，每一种情形的权重相等均为
。
历史模拟法的操作简单方便，资产组合的风险可以通过收益率的历史分布直接获取。该方法在操作时不用提前假定收益率的分布可以规避假定模型所造成的局限性。其作为一种全值估计方法，其能够解决数据上非线性的问题，能够应对数据大规模波动这一问题。
但是，历史模拟法的时效性较差。当数据上呈现较短的时序性基于历史模拟法进行风险价值计算，那样得到的风险值在未来市场的实际效用不强。历史模拟法的计算重点集中在过去的历史数据，弱化了近期的数据。历史模拟法只适用于未来预测与过去数据有关的市场条件，针对不同的市场条件，历史模拟法就很难针对不同条件进行调整计算，这样就降低了市场的灵敏度分析。
方差-协方差法又称参数法，基于此方法进行风险计算前，首先，要假设收益率的分布服从正态分布，然后，根据正态分布其本身的自由特征如：方差和期望等，进行下一步计算。
首先，要基于大量历史数据确定组合计算过程中所需要的风险因子，以此来计算资产组合中所涉及到的一些值。其次，假定定资产组合的收益分布服从正态分布，求出一个临界阈值，使得临界值处能够反映出收益分布在一定置信区间下，将会偏离均值的程度。最终，计算得到风险中的VaR值。
蒙特卡洛模拟法，也被称为随机模拟方法，其关键在于分布及参数的确定，这要求对历史数据进行深入的分析。然而，这一方法本身并不直接对历史数据进行运算以求得风险值。相反，它依赖于历史数据来计算出必要的参数，进而通过这些参数进行风险值的求解。对于市场因子的变化，蒙特卡洛模拟法能够通过模型的模拟进行捕捉。并且，通过大量重复模型的计算过程，我们能够得出所需的VaR值，即风险价值。
周期性行业是与国内或国际经济波动相关性较强的行业，如大宗原材料（钢铁、煤炭等）、工程机械、船舶等。这些行业的风险特性主要体现在其产品价格呈周期性波动，这种波动直接影响了企业的盈利状况。在市场经济中，产品价格的形成基础是供求关系，而不是成本，因此周期性行业的盈利状况往往随着市场的供需变化而波动。
周期性行业是指与国内或国际经济波动相关性较强的行业，其显著特点是产品价格呈周期性波动，产品的市场价格是企业赢利的基础。在我国，典型的周期性行业包括大宗原材料如钢铁、煤炭、有色金属等，以及工程机械、船舶等。这些行业与宏观经济相关度很高，其兴衰往往与整体经济环境紧密相连。当经济繁荣时，这些行业的产品需求上升，价格大涨，为满足突然膨胀的需求，产能大幅度扩张。而在经济萧条期，情况则恰好相反。这种周期性的波动给投资者带来了巨大的风险，但同时也提供了相应的投资机会。
非周期性行业是指那些不受宏观经济影响的行业。这些行业主要集中在涉及人类日常消费和服务的领域，如食品、饮料、医药、交通运输、商业连锁、服装等。无论经济如何波动，人们都需要吃饭、穿衣、看病，因此这些行业的需求相对稳定，不受经济周期的影响。这种稳定性使得非周期性行业在风险特性上与周期性行业形成鲜明对比。
在风险特性上，周期性行业由于与宏观经济高度相关，其风险也相对较高。在经济下行时，这些行业可能面临需求锐减、产能过剩、价格下跌等多重困境，导致企业盈利大幅下降甚至亏损。而非周期性行业由于需求稳定，其风险相对较低，即使在经济不景气时也能保持一定的盈利水平。
结合我国现状来看，随着国内外经济形势的不断变化，周期性行业和非周期性行业都面临着不同的挑战和机遇。对于周期性行业来说，如何在波动中寻找稳定的发展路径，降低风险，是这些行业需要重点考虑的问题。而对于非周期性行业来说，如何在保持稳定的同时，抓住市场机遇，实现持续增长，也是这些行业需要努力的方向。
供需关系与市场波动：周期性行业的波动性首先体现在其供需关系与市场波动的紧密关联上。由于周期性行业的产品或服务往往与宏观经济环境和市场需求密切相关，因此其价格波动常常受到宏观经济周期、政策调整、国际贸易状况等多种因素的影响。例如，在经济繁荣时期，周期性行业的产品需求增加，价格上升，企业盈利状况改善；而在经济衰退时期，需求减少，价格下降，企业盈利受到压力。这种供需关系的变化导致周期性行业的盈利状况呈现出明显的波动性。
产业链与波动传导：周期性行业的波动性还与其产业链结构有关。周期性行业通常具有较长的产业链，涉及多个环节和多个企业。在产业链中，每个环节的企业都受到上游供应商和下游客户的影响，因此任何一个环节的波动都可能传导到整个产业链，导致整个行业的波动。例如，上游原材料价格的波动会影响中游制造商的生产成本和产品价格，进而影响到下游销售商的销售情况和利润水平。这种波动传导机制使得周期性行业的波动性更加复杂和难以预测。
投资周期与市场风险：周期性行业的波动性还表现在其投资周期与市场风险上。由于周期性行业的盈利状况受到宏观经济环境等多种因素的影响，投资者在投资周期性行业时需要更加谨慎。投资者需要密切关注市场动态和宏观经济形势，合理评估行业波动性和市场风险，以制定有效的投资策略。此外，周期性行业的投资周期通常较长，投资者需要耐心等待行业的复苏和盈利改善，以应对可能出现的短期波动和风险。
信用风险与融资波动：周期性行业的波动性还体现在其信用风险与融资波动上。由于周期性行业的盈利状况波动较大，企业在不同经济周期中的还款能力也会有所不同。这导致金融机构在授信时需要更加谨慎，以避免信用风险的累积。同时，周期性行业的融资波动也较大，企业在不同经济周期中的融资需求和融资成本也会发生变化。这种融资波动增加了企业的财务压力和市场风险。
市场风险分析：周期性行业的市场风险主要源于其产品价格和市场需求的不稳定性。由于周期性行业的产品价格受到宏观经济、政策环境、国际贸易等多重因素的影响，其波动幅度往往较大。当经济繁荣时，市场需求旺盛，产品价格上升，企业盈利改善；而经济衰退时，需求减少，价格下跌，企业盈利受到冲击。这种价格波动性使得周期性行业的市场风险相对较高。此外，周期性行业的市场风险还与其产业链位置有关。在产业链中，周期性行业通常处于中游或下游位置，其上游供应商和下游客户的经营状况和市场变化都会对其产生影响。上游供应商的价格波动、下游客户需求的变化都可能传导至周期性行业，增加其市场风险。
信用风险分析：周期性行业的信用风险主要体现在企业还款能力的波动上。由于周期性行业的盈利状况与宏观经济环境密切相关，企业在不同经济周期中的还款能力会有所不同。在经济繁荣时期，企业盈利改善，还款能力增强；而在经济衰退时期，企业盈利下滑，还款能力可能受到严重影响。这种还款能力的波动性使得金融机构在授信时需要更加谨慎，以避免信用风险的累积。此外，周期性行业的信用风险还与其行业特征有关。周期性行业通常竞争激烈，企业之间的盈利能力差异较大。一些企业可能由于经营不善、管理不善等原因导致信用风险较高。同时，周期性行业的投资周期较长，一些企业可能因投资过度、资金链紧张等问题而面临信用风险。
非周期性行业通常表现出较高的行业稳定性，这主要源于其产品或服务需求的相对稳定性、竞争格局的平稳以及政策环境的支持。
首先，非周期性行业的产品或服务需求通常不会因经济周期波动而大幅变动。这些行业往往涉及人们的基本需求，如医疗、教育、公用事业等，其需求保持相对稳定。即使在经济衰退时期，人们对这些基本需求的满足仍然必不可少，从而保证了非周期性行业的稳定销售。其次，非周期性行业的竞争格局通常较为平稳。由于这些行业的产品或服务具有特殊性或不可替代性，企业之间的竞争更多地基于产品质量、服务水平和创新能力。这种竞争模式减少了价格战等激烈竞争的可能性，有助于维持行业的整体稳定。最后，非周期性行业通常受益于政策环境的支持。政府为了保障民生和促进经济稳定发展，往往会给予非周期性行业一定的政策扶持，如税收优惠、产业规划等。这些政策有助于行业的长期稳定发展。
尽管非周期性行业具有较高的行业稳定性，但仍面临一定的市场风险与信用风险。
市场风险主要来自于市场需求变化、技术进步和行业竞争等方面。虽然非周期性行业的需求相对稳定，但并不意味着没有变化。随着人口结构、消费习惯和技术进步等因素的影响，某些非周期性行业的产品或服务可能面临需求减少或替代的风险。此外，随着市场竞争的加剧，企业可能需要不断投入研发和创新，以维持市场地位，这也增加了市场风险。
信用风险则主要与企业财务状况和经营能力相关。虽然非周期性行业的盈利状况相对稳定，但不同企业之间的财务状况和经营能力存在差异。一些企业可能由于管理不善、资金链紧张或外部环境变化等原因导致信用风险增加。投资者和金融机构在评估非周期性行业的信用风险时，需要关注企业的财务报表、经营策略、市场竞争状况等因素，以全面评估企业的还款能力和信用状况。
周期性行业其盈利和股价的波动性通常较大，标准差较高。在经济繁荣时期，这些行业的盈利和股价往往大幅上涨；而在经济衰退时期，则可能出现大幅下跌。非周期性行业盈利和股价波动相对较小，标准差较低。这些行业的产品需求相对稳定，不受经济周期波动的影响。周期性行业相关性系数与经济周期的相关性系数较高，意味着其业绩和整体经济形势紧密相连。非周期性行业相关性系数与经济周期的相关性系数较低，业绩相对稳定，不易受经济周期波动的影响。周期性行业在经济衰退时期，由于需求下降和竞争加剧，这些行业的违约率和破产率往往较高。非周期性行业由于需求稳定，违约率和破产率相对较低。
周期性行业如房地产、汽车等，其业务高度依赖经济周期。在经济繁荣时期，需求旺盛，盈利丰厚；而在经济衰退时期，需求锐减，盈利下滑。非周期性行业如公用事业、医疗等，其业务涉及人们的基本需求，需求相对稳定，不易受经济周期影响。周期性行业往往竞争激烈，特别是在经济衰退时期，为了维持市场份额，企业可能不得不采取降价等措施，进一步压缩利润空间。非周期性行业竞争格局相对稳定，企业之间的差异化竞争也更为突出。周期性行业受宏观经济政策影响较大。例如，政府对房地产行业的调控政策可能直接影响该行业的盈利和股价。非周期性行业虽然也受到政策影响，但影响相对较小，且通常较为稳定。
周期性行业，如钢铁、煤炭、汽车等，其经营状况和盈利能力往往与经济周期紧密相关。在经济繁荣时期，这些行业的企业往往能够享受到较高的收入和利润；而在经济衰退时期，它们则可能面临严重的经营困境。这种周期性的波动不仅加大了企业的经营风险，也使得投资者在投资这些行业时面临更高的不确定性。例如，有文献指出，在经济下行期，周期性行业的企业往往面临更大的偿债压力和现金流风险，从而增加了违约和破产的可能性。
相比之下，非周期性行业，如医疗、消费、科技等，其产品销售和盈利能力通常较为稳定，不受经济周期波动的显著影响。这些行业的企业更注重长期战略规划和持续创新，以应对不断变化的市场环境。因此，非周期性行业通常被认为具有较低的风险性。有文献表明，即使在经济衰退期，非周期性行业的企业往往也能保持稳定的收入和盈利，为投资者提供相对可靠的投资回报。
此外，文献还指出，周期性行业和非周期性行业在风险来源和风险管理上也存在差异。周期性行业的主要风险来自经济周期波动、产能过剩、价格战等因素，因此需要更加注重宏观经济分析和行业趋势研究，以制定合理的经营和投资策略。而非周期性行业则更需要关注市场竞争、技术创新、政策调整等风险因素，并通过不断创新和优化产品来降低风险。
周期性行业和非周期性行业在风险特性上存在显著差异。周期性行业受经济周期波动影响大，风险较高；而非周期性行业则具有相对稳定的盈利能力和较低的风险性。因此，投资者在选择投资对象时，应充分考虑行业的周期性特点，并结合相关文献进行深入分析和研究，以制定合理的投资策略和风险管理方案。
3.4 分析风险差异在各行业的不同
风险差异在各行业中表现显著，这主要是由于不同行业的业务特性、市场环境、政策影响以及技术发展趋势等多种因素共同作用的结果。
从业务特性来看，制造业通常面临市场需求波动、原材料价格变动、生产成本上升等风险。传统制造业可能由于自动化技术的广泛应用，使得劳动密集型岗位面临巨大压力，进而影响到整个行业的稳定性和盈利能力。而服务业则可能面临消费者需求变化、服务质量竞争以及政策监管等风险。市场环境也是影响行业风险的重要因素。在竞争激烈的市场中，企业可能面临市场份额下降、价格战、品牌声誉受损等风险。此外，全球化和贸易战等因素也可能对特定行业造成冲击，如国际贸易环境的变化可能影响到出口导向型行业的生存和发展。政策影响也是不可忽视的因素。政府对不同行业的政策扶持或限制都可能对行业风险产生深远影响。政府对环保要求的提高可能增加制造业的环保投入和运营成本，而对新兴产业的扶持政策则可能降低这些行业的市场准入门槛和创业风险。技术发展趋势也是影响行业风险的关键因素。新兴技术的发展如人工智能、物联网等可能为某些行业带来创新机遇，同时也可能对传统行业构成挑战。人工智能和自动化技术的普及可能减少对某些传统职位的需求，从而增加失业风险和社会不稳定因素。
不同行业在业务特性、市场环境、政策影响以及技术发展趋势等方面存在显著差异，这些差异导致各行业面临的风险类型和程度各不相同。在投资和经营过程中，需要针对不同行业的特点和风险进行深入分析，以制定合理的风险管理策略。
在相同的置信度下，周期性行业和非周期性行业的VaR值呈现出显著的差异。以95%的置信度为例，周期性行业的VaR值通常较高，意味着在正常情况下，这些行业面临的潜在损失风险相对较大。这是因为周期性行业的盈利和股价往往随着经济周期的波动而大幅变动，导致风险暴露较高。相比之下，非周期性行业的VaR值相对较低，反映出这些行业在面临相同置信度的风险时，其潜在损失相对较小。这主要得益于非周期性行业稳定的业务特性和需求，使得其盈利和股价相对平稳。
其次，在不同置信度下，周期性行业和非周期性行业的VaR值差异也呈现出一定的规律。随着置信度的提高，即投资者对风险度量结果的可信度要求更高时，两种行业的VaR值都会相应增加。然而，周期性行业的VaR值增加幅度通常更大。这是因为高置信度意味着投资者更关注极端风险事件，而周期性行业由于其业务特性，更容易受到极端经济事件的影响，从而导致风险暴露的显著增加。相比之下，非周期性行业由于其稳定的业务特性和需求，即使在高置信度下，其VaR值的增加幅度也相对较小。
四、VaR模型在投资组合风险分析中的应用
本文选择了周期性行业以及非周期性行业各25只股票，其中周期性行业以房地产行业为例选取了25只未退市的股票，非周期性行业以医疗行业为例选取了25只未退市的股票。基于Yahoo Finance爬取了对应的股票信息，股票名录如表1所示。对数据采用插值法进行空值填充。
表1 股票目录
| 周期性行业股票名目 | 非周期性行业股票名录 |
| 万科A（000002） | 信邦制药（002390） |
| 阳光股份（000608） | 百花医药（600721） |
| 万通发展（600246） | 康龙化成（300759） |
| 海泰发展（600082 | 药明康德（603259） |
| 天保基建（000965） | 通策医疗（600763） |
| 铁岭新城（000809） | 大博医疗（002901） |
| 天地源（600665） | 迈瑞医疗（300760） |
| 冠城大通（600067） | 乐普医疗（300003） |
| 京能置业（600791） | 创新医疗 |
| 新黄浦（600638） | 普莱柯 |
| 城建发展（600266） | 国际医学（000516） |
| 春兰股份（600854） | 康拓医疗 |
| 中迪投资（000609） | 南新制药 |
| 中交房产（000736） | 正海生物 |
| 栖霞建设（600533） | 新光药业 |
| 津投城开（600322） | 兴齐眼药 |
| 空港股份（600463） | 康华生物 |
| 西藏城投（600773） | 寿仙谷 |
| 三湘印象（000863） | 盈康生命 |
| 广宇集团（002133） | 常宝股份 |
| 香江控股（600162） | 新华锦 |
| 卧龙地产（600173） | 益佰制药 |
| 中新集团（601512） | 澳洋健康 |
| 南国置业（002305） | 赤天化 |
| 北辰实业（601588） | 昭衍新药 |
选取2022年12月29日到2023年12月29日房地产的25只股票为例：经过基模拟计算得到结果如图4.1所示。
图4.1 收益分布图
随机选取2022年12月29日到2023年12月29日的25只股票进行模拟计算，此期间的股票基金指数成分股作为投资组合，经历史模拟法计算得到的结果如图4.2-4.3所示。
图4.2 历史模拟法结果
图4.3 历史模拟法结果
Var线显示出投资组合在不同时间点的风险水平。较高的Var值意味着投资组合的波动性较大，即收益可能会出现较大幅度的波动。相反，较低的Var值则表明投资组合相对稳定，风险水平较低。通过观察蓝色线条，即投资组合的平均回报，可以发现其与Var线之间存在一定的关联性。当Var线上升时，投资组合的平均回报也可能出现波动，反之亦然。这说明风险与收益往往呈正相关关系，较高的风险往往伴随着较高的潜在收益，但同时也伴随着更大的不确定性。
Var作为衡量投资组合风险的关键指标，对投资组合每日收益具有显著影响。投资者在进行房地产投资决策时，应充分考虑Var的变化情况，以评估投资组合的风险与收益水平。同时，投资者还需要结合市场环境、个人风险承受能力和投资目标，制定合理的投资策略。
此外，在置信区间为 95%～99%下，经参数法计算得到的VaR值如表3所示。
表4.2 历史模拟法得到的VaR值
| 置信度 | VaR值 |
| 95% | 0.025253 |
| 99% | 0.035027 |
VaR（Value at Risk）是指在一定置信水平下，投资组合在特定时间内可能面临的最大损失。上表得到了95%和99%置信度下的VaR值。在95%的置信水平下，VaR值为0.025253。意味着在正常情况下，有95%的把握认为投资组合的损失不会超过这个值。而在99%的置信水平下，VaR值为0.035027，这表示在极端情况下，仍有99%的把握认为损失不会超过这个更高的阈值。比较这两个值，随着置信度的提高，VaR值也相应增加。这是因为更高的置信度通常要求更严格的损失限制，从而增加了VaR值。这也反映了风险与置信度之间的正相关关系。
VaR值作为衡量投资组合风险的重要指标，对投资组合的每日收益具有显著影响。具体来说，VaR值的大小直接反映了投资组合面临潜在损失的风险水平。当VaR值较低时，说明投资组合在特定置信水平下面临的损失风险相对较小，有助于提升投资者的信心，并可能促进投资组合的稳定收益。低VaR值并不意味着没有风险，投资者仍需谨慎评估市场环境和其他相关因素。
选取2022年12月29日到2023年12月29日医疗行业的25只股票为例：经过基模拟计算得到结果如图4.4所示。
图4.4 收益分布图
随机选取2022年12月29日到2023年12月29日的25只股票进行模拟计算，此期间的股票基金指数成分股作为投资组合，经历史模拟法计算得到的结果如图4所示。
图4.5 历史模拟法结果
图4.6 历史模拟法结果
从图中可以看出，Var的波动相对较大，反映了投资组合在不同时间点上风险水平的不稳定性。下部蓝色柱状图则直观地展示了投资组合每日收益的分布情况。通过观察柱状图，可以发现投资组合的每日收益在不同时间段内存在明显的差异，有些时段收益较高，而有些时段则相对较低甚至出现负收益。Var与投资组合每日收益之间的关系体现在风险的波动对收益稳定性的影响上。当Var较小时，意味着投资组合的风险相对较低，此时投资组合的每日收益可能相对稳定，波动较小。相反，当Var增大时，投资组合的风险增加，导致每日收益的波动增大，投资者面临的不确定性也随之增加。
从图中可以看出，Var的高峰往往伴随着投资组合每日收益的大幅波动。说明在风险较高的时段，投资组合的收益更容易受到市场波动的影响，投资者需要更加谨慎地管理风险，以避免潜在的损失。Var作为衡量投资组合风险的重要指标，对投资组合每日收益具有显著影响。投资者在进行投资决策时，应充分考虑Var的变化情况，合理调整投资组合的风险水平，以实现收益与风险的平衡。
此外，在置信区间为 95%～99%下，经参数法计算得到的VaR值如表3所示。
表4.3 历史模拟法得到的VaR值
| 置信度 | VaR值 |
| 95% | 0.018789 |
| 99% | 0.030426 |
在95%和99%的置信水平下，模拟投资组合的潜在损失分别不会超过0.018789和0.030426。95%置信水平下的VaR值，即0.018789。意味着有95%的信心，投资组合在未来一段时间内（通常是一天或一个交易周期）的损失不会超过这个数值。在正常的市场条件下，预计投资组合的损失超过这个值的概率只有5%。这个数值提供了一个关于投资组合风险水平的量化指标，有助于投资者和风险管理人员了解潜在风险敞口。考虑99%置信水平下的VaR值，即0.030426。这个数值提供了更为严格的风险评估，表示有99%的信心，投资组合的损失不会超过这个更高的阈值。在极端市场条件下，投资组合损失超过这个值的概率只有1%。这个较高的VaR值反映了投资组合在极端情况下的潜在风险。
通过比较这两个VaR值，发现随着置信水平的提高，VaR值也相应增加。这是因为更高的置信水平要求更严格的损失限制，以涵盖更广泛的潜在市场变动。这种变化反映了风险与置信水平之间的权衡关系。VaR值仅提供了一种风险度量的方法，并不能完全预测未来的损失情况。实际的市场变动可能受到多种因素的影响，包括宏观经济环境、政策变化、市场情绪等。因此，在使用VaR值进行风险管理时，投资者和风险管理人员还需要结合其他风险指标和市场信息进行综合判断。
本研究旨在深入剖析周期性行业与非周期性行业的风险特性差异，并运用VaR模型对投资组合风险进行实证分析。通过对比不同行业的风险表现，为投资者提供更为精准的风险管理策略和建议。
1）介绍了VaR模型的基本原理和计算方法，包括历史模拟法、方差-协方差法、蒙特卡洛模拟法等，为后续实证分析提供理论基础。同时，结合我国实际情况，对周期性行业和非周期性行业进行了界定和分类，为后续风险特性分析提供了清晰的研究对象。
2）对周期性行业和非周期性行业的风险特性进行了深入分析。周期性行业受宏观经济波动影响较大，产品价格呈现周期性变化，风险相对较高。而非周期性行业则相对稳定，需求较为恒定，风险相对较低。通过对比两者的风险特性，为投资者提供了针对不同行业的风险管理思路。
3）运用VaR模型对周期性行业和非周期性行业的投资组合风险进行了计算和分析。通过选取具有代表性的行业案例和收集相关数据，运用不同的计算方法，得出了不同置信水平下的VaR值。通过对比不同行业、不同权重分配方式下的风险计算结果，揭示了VaR模型在不同行业中的适用性和局限性。
4）提出了针对周期性行业和非周期性行业的投资组合风险管理建议。建议投资者根据不同行业的风险特性，灵活调整投资策略和风险管理措施，以实现风险控制和收益最大化。
1、风险量化与监控：对投资组合中的每只股票进行VaR值计算，以了解每只股票在不同置信水平下的潜在损失；根据VaR值对股票进行风险排序，识别出高风险和低风险的股票，为投资决策提供依据；定期对投资组合的整体VaR值进行更新和监控，以便及时发现风险变化并采取相应措施。
2、风险调整与策略优化：结合VaR模型的分析结果，对周期性行业和非周期性行业的股票配置比例进行调整。例如，当周期性行业的整体VaR值较高时，可以适当减少周期性行业股票的持仓，增加非周期性行业股票的持仓；对于单一股票，当其VaR值超过投资组合整体的风险承受水平时，可以考虑卖出或减仓该股票，以降低风险。
1、平衡配置：在选择周期性行业和非周期性行业的股票时，尽量保持每个行业内的股票数量相等，以实现等权重配置；对于每个行业内的股票，可以根据市值、盈利能力、成长潜力等因素进行选择，确保选择的股票具有代表性。
2、风险分散与定期调整：通过等权重配置，将风险分散到多个行业和多个股票上，降低单一股票或单一行业对投资组合整体风险的影响；定期检查投资组合中各股票的权重，确保等权重配置得到维持。如有股票表现异常或市场情况发生变化，可及时进行调整。
1、灵活调整持仓率：根据市场走势、行业趋势和个股表现，灵活调整周期性行业和非周期性行业股票的持仓率。例如，当某一行业表现强劲时，可以适当增加该行业股票的持仓率；当某一行业表现不佳时，可以降低其持仓率；对于个股，也可以根据其基本面、技术面和市场情绪等因素进行持仓率的调整。
2、风险管理与收益平衡：在调整持仓率的过程中，要充分考虑风险与收益的平衡。避免为了追求高收益而过度增加高风险股票的持仓率；结合VaR模型的分析结果，对持仓率进行调整，确保投资组合的整体风险在可承受范围内。
此外，在股票投资过程中，还需要注意以下几点：
1、深入研究：对周期性行业和非周期性行业的基本面进行深入分析，了解行业的发展趋势、竞争2、格局和政策环境等因素，为投资决策提供有力支持。
3、关注市场情绪：市场情绪对股票价格具有重要影响。投资者需要密切关注市场情绪的变化，避免被市场情绪左右而做出错误的投资决策。
4、控制交易成本：在调整投资组合配置和持仓率时，要注意控制交易成本，避免频繁交易导致成本过高。
参考文献
[1]吴晓璐. 年内A股公司耗资近290亿元回购 周期性行业回购金额居前[N]. 证券日报, 2023-07-13 (A02). DOI:10.28096/n.cnki.ncjrb.2023.003544.
[2]郭永昌. 周期性行业研究与银行授信策略建议 [J]. 时代金融, 2022, (08): 21-26+35.
[3]王晓楠. 非周期性行业企业价值评估研究[D]. 哈尔滨工业大学, 2021. DOI:10.27061/d.cnki.ghgdu.2021.000913.
[4]胡语文. 从投资时钟看周期性行业的策略选择 [J]. 股市动态分析, 2020, (15): 18.
[5]谭亚敏. 期市为苹果产业提供有效的风险管理工具[N]. 期货日报, 2024-03-20 (002).
[6]闫海波,孟燕,张盼盼. 基于Vine Copula＿CVaR风险度量的ESG投资组合研究 [J/OL]. 兰州财经大学学报, 1-15[2024-03-22]. http://kns.cnki.net/kcms/detail/62.1213.F.20240315.1614.018.html.
[7]刘彧. 基于VAR模型的生猪产业链价格波动影响因素分析 [J/OL]. 饲料研究, 2024, (05): 182-186[2024-03-22]. https://doi.org/10.13557/j.cnki.issn1002-2813.2024.05.034.
[8]李雪. 我国碳排放权交易价格、能源价格与股票指数动态相关性研究——基于VAR-DCC-GARCH模型 [J]. 财富时代, 2024, (01): 70-73.
[9]王文胜,包智瑜. 建筑业上市公司财务风险度量研究——基于GARCH-MIDAS-VaR模型 [J]. 杭州电子科技大学学报(社会科学版), 2023, 19 (05): 1-8+28. DOI:10.13954/j.cnki.hduss.2023.05.001.
[10]李兴宏. 供应链金融利率指数构建与应用研究[D]. 山东交通学院, 2023. DOI:10.27864/d.cnki.gsjtd.2023.000030.
[11]熊婷燕,刘泽平,金美玲等. 基于慕课课程评论的文本语义挖掘与情感分析——以《计量经济学基础与EViews软件操作》课程为例 [J]. 中国多媒体与网络教学学报(上旬刊), 2023, (02): 221-224.
[12]王泽全. VaR模型在证券投资中的运用 [J]. 中小企业管理与科技(上旬刊), 2021, (10): 67-69.
[13]Faghih-Roohi, Shahrzad, et al. "Dynamic conditional value-at-risk model for routing and scheduling of hazardous material transportation networks." Annals of Operations Research 247 (2016): 715-734.
[14] Basak, Suleyman, and Alexander Shapiro. "Value-at-risk-based risk management: optimal policies and asset prices." The review of financial studies 14.2 (2001): 371-405.
[15] Dinh, Doan Van. "Impulse response of inflation to economic growth dynamics: VAR model analysis." The Journal of Asian Finance, Economics and Business 7.9 (2020): 219-228.
[16] Han, Yingying, Pu Gong, and **ang Zhou. "Correlations and risk contagion between mixed assets and mixed-asset portfolio VaR measurements in a dynamic view: An application based on time varying copula models." Physica A: Statistical Mechanics and its Applications 444 (2016): 940-953.
[17] Li, Gang, et al. "Quality relevant data-driven modeling and monitoring of multivariate dynamic processes: The dynamic T-PLS approach." IEEE transactions on neural networks 22.12 (2011): 2262-2271.
致谢
行文至此，落笔为终。始于2018年，终于2022年，在滇西科技师范学院的四年即将结束。四年转瞬即逝，留下了永恒的美好回忆，感谢我的学校，让我度过了充实快乐的四年。
首先，感谢我的毕业设计指导老师，从本文的选题、实验的推进以及论文多次修改后的完成，每一步都离不开老师认真详细的指导。老师不论是从实验还是论文方面都对我们要求严格，其严格要求与认真严谨的精神是我今后学习和生活的榜样。同时，感谢辅导员以及学院的全体老师在大学四年对我学习和生活上的帮助。师恩难忘，铭记于心。
其次，感谢在大学里遇到的同学、朋友和舍友们。感谢一起上课的同学们，我们一起学习、互相帮助、共同进步。感谢陪伴我的朋友们，在困难时给予帮助，在难过时给予安慰，在开心时分享快乐。特别感谢陪伴四年的舍友们，是你们让我在陌生的城市感受到了温暖，我们一起吃饭、学习、玩闹，共同度过了独一无二的四年时光，201拥有我们共同的美好回忆，我们来日方长。
最后，感谢我的父母和家人。感谢父母二十余载的培养与教育，感谢他们在我求学路上的无私支持与默默付出。感谢我的弟弟，感谢成长路上的陪伴。我们共同组成了一个有爱的家庭，希望我的家人们健康、平安、永远快乐。
以梦为马，不负韶华。感谢一直成长的自己。论文到此结束，未来的路还很长。希望以后每次回首，不会感叹虚度光阴。
感谢相遇，感谢遇到的每一个人。这将是一个新的起点，我们的故事未完待续，我们后会有期。
|
| 滇西科技师范学院 | |
| VaR模型的投资组合风险分析——基于周期性行业与非周期性行业比较 | ||
| 学 院： xxxxxxxxxx | ||
| 专 业： xxxxxxxxxx | ||
| 年 级： xxxx | ||
| 学生姓名： xxx | ||
| 学 号： xxxxxxx | ||
| 指导教师： xxx 职称： xx | ||
| 论文完成时间： 20xx年x月 | ||
| 滇西科技师范学院教务处制 | ||
4万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
