序論：寫(xiě)作是一種深度的自我表達(dá)。它要求我們深入探索自己的思想和情感，挖掘那些隱藏在內(nèi)心深處的真相，好投稿為您帶來(lái)了七篇金融數(shù)據(jù)論文范文，愿它們成為您寫(xiě)作過(guò)程中的靈感催化劑，助力您的創(chuàng)作。

篇(1)

關(guān)鍵字：數(shù)據(jù)挖掘金融數(shù)據(jù)

金融部門每天的業(yè)務(wù)都會(huì)產(chǎn)生大量數(shù)據(jù)，利用目前的數(shù)據(jù)庫(kù)系統(tǒng)可以有效地實(shí)現(xiàn)數(shù)據(jù)的錄入、查詢、統(tǒng)計(jì)等功能，但無(wú)法發(fā)現(xiàn)數(shù)據(jù)中存在的關(guān)系和規(guī)則，無(wú)法根據(jù)現(xiàn)有的數(shù)據(jù)預(yù)測(cè)未來(lái)的發(fā)展趨勢(shì)。缺乏挖掘數(shù)據(jù)背后隱藏的知識(shí)的手段，導(dǎo)致了數(shù)據(jù)爆炸但知識(shí)貧乏”的現(xiàn)象。與此同時(shí)，金融機(jī)構(gòu)的運(yùn)作必然存在金融風(fēng)險(xiǎn)，風(fēng)險(xiǎn)管理是每一個(gè)金融機(jī)構(gòu)的重要工作。利用數(shù)據(jù)挖掘技術(shù)不但可以從這海量的數(shù)據(jù)中發(fā)現(xiàn)隱藏在其后的規(guī)律，而且可以很好地降低金融機(jī)構(gòu)存在的風(fēng)險(xiǎn)。學(xué)習(xí)和應(yīng)用數(shù)扼挖掘技術(shù)對(duì)我國(guó)的金融機(jī)構(gòu)有重要意義。

一、數(shù)據(jù)挖掘概述

1.數(shù)據(jù)挖掘的定義對(duì)于數(shù)據(jù)挖掘，一種比較公認(rèn)的定義是W.J.Frawley，G.PiatetskShapiro等人提出的。數(shù)據(jù)挖掘就是從大型數(shù)據(jù)庫(kù)的數(shù)據(jù)中提取人們感興趣的知識(shí)、這些知識(shí)是隱含的、事先未知的、潛在有用的信息，提取的知識(shí)表示為概念(Concepts)，規(guī)則(Rules)、規(guī)律(Regularities)、模式(Patterns)等形式。這個(gè)定義把數(shù)據(jù)挖掘的對(duì)象定義為數(shù)據(jù)庫(kù)。

隨著數(shù)據(jù)挖掘技術(shù)的不斷發(fā)展，其應(yīng)用領(lǐng)域也不斷拓廣。數(shù)據(jù)挖掘的對(duì)象已不再僅是數(shù)據(jù)庫(kù)，也可以是文件系統(tǒng)，或組織在一起的數(shù)據(jù)集合，還可以是數(shù)據(jù)倉(cāng)庫(kù)。與此同時(shí)，數(shù)據(jù)挖掘也有了越來(lái)越多不同的定義，但這些定義盡管表達(dá)方式不同，其本質(zhì)都是近似的，概括起來(lái)主要是從技術(shù)角度和商業(yè)角度給出數(shù)據(jù)挖掘的定義。

從技術(shù)角度看，數(shù)據(jù)挖掘就是從大量的、不完全的、有噪聲的、模糊的、隨機(jī)的實(shí)際應(yīng)用數(shù)據(jù)中，提取隱含在其中的、人們事先不知道的、但又是潛在的和有用的信息和知識(shí)的過(guò)程。它是一門廣義的交叉學(xué)科，涉及數(shù)據(jù)庫(kù)技術(shù)、人工智能、機(jī)器學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)、統(tǒng)計(jì)學(xué)、模式識(shí)別、知識(shí)庫(kù)系統(tǒng)、知識(shí)獲取、信息檢索、高性能計(jì)算和數(shù)據(jù)可視化等多學(xué)科領(lǐng)域且本身還在不斷發(fā)展。目前有許多富有挑戰(zhàn)的領(lǐng)域如文本數(shù)據(jù)挖掘、Web信息挖掘、空間數(shù)據(jù)挖掘等。

從商業(yè)角度看，數(shù)據(jù)挖掘是一種深層次的商業(yè)信息分析技術(shù)。它按照企業(yè)既定業(yè)務(wù)目標(biāo)，對(duì)大量的企業(yè)數(shù)據(jù)進(jìn)行探索和分析，揭示隱藏的、未知的或驗(yàn)證已知的規(guī)律性并進(jìn)一步將其模型化，從而自動(dòng)地提取出用以輔助商業(yè)決策的相關(guān)商業(yè)模式。

2.數(shù)據(jù)挖掘方法

數(shù)據(jù)挖掘技術(shù)是數(shù)據(jù)庫(kù)技術(shù)、統(tǒng)計(jì)技術(shù)和人工智能技術(shù)發(fā)展的產(chǎn)物。從使用的技術(shù)角度，主要的數(shù)據(jù)挖掘方法包括：

2.1決策樹(shù)方法：利用樹(shù)形結(jié)構(gòu)來(lái)表示決策集合，這些決策集合通過(guò)對(duì)數(shù)據(jù)集的分類產(chǎn)生規(guī)則。國(guó)際上最有影響和最早的決策樹(shù)方法是ID3方法，后來(lái)又發(fā)展了其它的決策樹(shù)方法。

2.2規(guī)則歸納方法：通過(guò)統(tǒng)計(jì)方法歸納，提取有價(jià)值的if-then規(guī)則。規(guī)則歸納技術(shù)在數(shù)據(jù)挖掘中被廣泛使用，其中以關(guān)聯(lián)規(guī)則挖掘的研究開(kāi)展得較為積極和深入。

2.3神經(jīng)網(wǎng)絡(luò)方法：從結(jié)構(gòu)上模擬生物神經(jīng)網(wǎng)絡(luò)，以模型和學(xué)習(xí)規(guī)則為基礎(chǔ)，建立3種神經(jīng)網(wǎng)絡(luò)模型：前饋式網(wǎng)絡(luò)、反饋式網(wǎng)絡(luò)和自組織網(wǎng)絡(luò)。這種方法通過(guò)訓(xùn)練來(lái)學(xué)習(xí)的非線性預(yù)測(cè)模型，可以完成分類、聚類和特征挖掘等多種數(shù)據(jù)挖掘任務(wù)。

2.4遺傳算法：模擬生物進(jìn)化過(guò)程的算法，由繁殖(選擇)、交叉(重組)、變異(突變)三個(gè)基本算子組成。為了應(yīng)用遺傳算法，需要將數(shù)據(jù)挖掘任務(wù)表達(dá)為一種搜索問(wèn)題，從而發(fā)揮遺傳算法的優(yōu)化搜索能力。

2.5粗糙集(RoughSet)方法：Rough集理論是由波蘭數(shù)學(xué)家Pawlak在八十年代初提出的一種處理模糊和不精確性問(wèn)題的新型數(shù)學(xué)工具。它特別適合于數(shù)據(jù)簡(jiǎn)化，數(shù)據(jù)相關(guān)性的發(fā)現(xiàn)，發(fā)現(xiàn)數(shù)據(jù)意義，發(fā)現(xiàn)數(shù)據(jù)的相似或差別，發(fā)現(xiàn)數(shù)據(jù)模式和數(shù)據(jù)的近似分類等，近年來(lái)已被成功地應(yīng)用在數(shù)據(jù)挖掘和知識(shí)發(fā)現(xiàn)研究領(lǐng)域中。

2.6K2最鄰近技術(shù)：這種技術(shù)通過(guò)K個(gè)最相近的歷史記錄的組合來(lái)辨別新的記錄。這種技術(shù)可以作為聚類和偏差分析等挖掘任務(wù)。

2.7可視化技術(shù)：將信息模式、數(shù)據(jù)的關(guān)聯(lián)或趨勢(shì)等以直觀的圖形方式表示，決策者可以通過(guò)可視化技術(shù)交互地分析數(shù)據(jù)關(guān)系?？梢暬瘮?shù)據(jù)分析技術(shù)拓寬了傳統(tǒng)的圖表功能，使用戶對(duì)數(shù)據(jù)的剖析更清楚。

二、數(shù)據(jù)挖掘在金融行業(yè)中的應(yīng)用數(shù)據(jù)挖掘已經(jīng)被廣泛應(yīng)用于銀行和商業(yè)中，有以下的典型應(yīng)用：

1.對(duì)目標(biāo)市場(chǎng)(targetedmarketing)客戶的分類與聚類。例如，可以將具有相同儲(chǔ)蓄和貨款償還行為的客戶分為一組。有效的聚類和協(xié)同過(guò)濾(collaborativefiltering)方法有助于識(shí)別客戶組，以及推動(dòng)目標(biāo)市場(chǎng)。

2..客戶價(jià)值分析。

在客戶價(jià)值分析之前一般先使用客戶分類，在實(shí)施分類之后根據(jù)“二八原則”，找出重點(diǎn)客戶，即對(duì)給銀行創(chuàng)造了80%價(jià)值的20%客戶實(shí)施最優(yōu)質(zhì)的服務(wù)。重點(diǎn)客戶的發(fā)現(xiàn)通常采用一系列數(shù)據(jù)處理、轉(zhuǎn)換過(guò)程、AI人工智能等數(shù)據(jù)挖掘技術(shù)來(lái)實(shí)現(xiàn)。通過(guò)分析客戶對(duì)金融產(chǎn)品的應(yīng)用頻率、持續(xù)性等指標(biāo)來(lái)判別客戶的忠誠(chéng)度；通過(guò)對(duì)交易數(shù)據(jù)的詳細(xì)分析來(lái)鑒別哪些是銀行希望保持的客戶；通過(guò)挖掘找到流失的客戶的共同特征，就可以在那些具有相似特征的客戶還未流失之前進(jìn)行針對(duì)性的彌補(bǔ)。

3.客戶行為分析。

找到重點(diǎn)客戶之后，可對(duì)其進(jìn)行客戶行為分析，發(fā)現(xiàn)客戶的行為偏好，為客戶貼身定制特色服務(wù)。客戶行為分析又分為整體行為分析和群體行為分析。整體行為分析用來(lái)發(fā)現(xiàn)企業(yè)現(xiàn)有客戶的行為規(guī)律。同時(shí)，通過(guò)對(duì)不同客戶群組之間的交叉挖掘分析，可以發(fā)現(xiàn)客戶群體間的變化規(guī)律，并可通過(guò)數(shù)據(jù)倉(cāng)庫(kù)的數(shù)據(jù)清潔與集中過(guò)程，將客戶對(duì)市場(chǎng)的反饋?zhàn)詣?dòng)輸人到數(shù)據(jù)倉(cāng)庫(kù)中。通過(guò)對(duì)客戶的理解和客戶行為規(guī)律的發(fā)現(xiàn)，企業(yè)可以制定相應(yīng)的市場(chǎng)策略。

4.為多維數(shù)據(jù)分析和數(shù)據(jù)挖掘設(shè)計(jì)和構(gòu)造數(shù)據(jù)倉(cāng)庫(kù)。例如，人們可能希望按月、按地區(qū)、按部門、以及按其他因素查看負(fù)債和收入的變化情況，同時(shí)希望能提供諸如最大、最小、總和、平均和其他等統(tǒng)計(jì)信息。數(shù)據(jù)倉(cāng)庫(kù)、數(shù)據(jù)立方體、多特征和發(fā)現(xiàn)驅(qū)動(dòng)數(shù)據(jù)立方體，特征和比較分析，以及孤立點(diǎn)分析等，都會(huì)在金融數(shù)據(jù)分析和挖掘中發(fā)揮重要作用。

5.貨款償還預(yù)測(cè)和客戶信用政策分析。有很多因素會(huì)對(duì)貨款償還效能和客戶信用等級(jí)計(jì)算產(chǎn)生不同程度的影響。數(shù)據(jù)挖掘的方法，如特征選擇和屬性相關(guān)性計(jì)算，有助于識(shí)別重要的因素，別除非相關(guān)因素。例如，與貨款償還風(fēng)險(xiǎn)相關(guān)的因素包括貨款率、資款期限、負(fù)債率、償還與收入(payment——to——income)比率、客戶收入水平、受教育程度、居住地區(qū)、信用歷史，等等。而其中償還與收入比率是主導(dǎo)因素，受教育水平和負(fù)債率則不是。銀行可以據(jù)此調(diào)整貨款發(fā)放政策，以便將貨款發(fā)放給那些以前曾被拒絕，但根據(jù)關(guān)鍵因素分析，其基本信息顯示是相對(duì)低風(fēng)險(xiǎn)的申請(qǐng)。

6.業(yè)務(wù)關(guān)聯(lián)分析。通過(guò)關(guān)聯(lián)分析可找出數(shù)據(jù)庫(kù)中隱藏的關(guān)聯(lián)網(wǎng)，銀行存儲(chǔ)了大量的客戶交易信息，可對(duì)客戶的收人水平、消費(fèi)習(xí)慣、購(gòu)買物種等指標(biāo)進(jìn)行挖掘分析，找出客戶的潛在需求;通過(guò)挖掘?qū)蛻粜畔?，銀行可以作為廠商和消費(fèi)者之間的中介，與廠商聯(lián)手，在掌握消費(fèi)者需求的基礎(chǔ)上，發(fā)展中間業(yè)務(wù)，更好地為客戶服務(wù)。

7.洗黑錢和其他金融犯罪的偵破。要偵破洗黑錢和其他金融犯罪，重要的一點(diǎn)是要把多個(gè)數(shù)據(jù)庫(kù)的信息集成起來(lái)，然后采用多種數(shù)據(jù)分析工具找出異常模式，如在某段時(shí)間內(nèi)，通過(guò)某一組人發(fā)生大量現(xiàn)金流量等，再運(yùn)用數(shù)據(jù)可視化工具、分類工具、聯(lián)接工具、孤立點(diǎn)分析工具、序列模式分析工具等，發(fā)現(xiàn)可疑線索，做出進(jìn)一步的處理。

數(shù)據(jù)挖掘技術(shù)可以用來(lái)發(fā)現(xiàn)數(shù)據(jù)庫(kù)中對(duì)象演變特征或?qū)ο笞兓厔?shì)，這些信息對(duì)于決策或規(guī)劃是有用的，金融

行業(yè)數(shù)據(jù)的挖掘有助于根據(jù)顧客的流量安排工作人員?？梢酝诰蚬善苯灰讛?shù)據(jù)，發(fā)現(xiàn)可能幫助你制定投資策略的趨勢(shì)數(shù)據(jù)。挖掘給企業(yè)帶來(lái)的潛在的投資回報(bào)幾乎是無(wú)止境的。當(dāng)然，數(shù)據(jù)挖掘中得到的模式必須要在現(xiàn)實(shí)生活中進(jìn)行驗(yàn)證。

參考文獻(xiàn)：

丁秋林，力士奇.客戶關(guān)系管理.第1版.北京：清華人學(xué)出版社，2002

張玉春.數(shù)據(jù)挖掘在金融分析中的應(yīng)用.華南金融電腦.2004

篇(2)

一、研究設(shè)計(jì)

1.模型的選擇

目前，價(jià)格模型和收益模型是研究財(cái)務(wù)數(shù)據(jù)與企業(yè)價(jià)值相關(guān)性最常用的模型。在已有對(duì)我國(guó)新舊會(huì)計(jì)準(zhǔn)則的定價(jià)能力的差異及新準(zhǔn)則下公允價(jià)值計(jì)量的價(jià)值相關(guān)性問(wèn)題研究的實(shí)證文獻(xiàn)中，大都只采用價(jià)格模型。國(guó)外研究表明，價(jià)格模型存在更多計(jì)量上的問(wèn)題，為避免模型選擇上帶來(lái)的誤差，我們將同時(shí)采用價(jià)格模型和收益模型對(duì)新舊會(huì)計(jì)準(zhǔn)則的定價(jià)能力差異進(jìn)行研究。

(1)檢驗(yàn)新會(huì)計(jì)準(zhǔn)則下的會(huì)計(jì)數(shù)據(jù)(凈資產(chǎn)和凈收益)在資本市場(chǎng)上的定價(jià)能力較舊準(zhǔn)則是否顯著提高。本部分選取2004至2009年上市公司為樣本。本文采用的價(jià)格模型

(模型1)

式中MVit：總市值;BVit：凈資產(chǎn);Eit：凈收益;postit如果遵守新準(zhǔn)則則post取1，否則取0。

本文采用的收益模型

(模型2)

Rit：股票回報(bào)率，PEIt：凈收益(每股數(shù))，Pi-1：股票收盤價(jià)。

(2)檢驗(yàn)新會(huì)計(jì)準(zhǔn)則下，公允價(jià)值計(jì)量部分是否具有增量的價(jià)值相關(guān)性。本部分選取出1907至1909年的上市公司作為樣本。本文采用的價(jià)格模型

(模型3)

FairVit：交易性金融資產(chǎn)和可供出售金融資產(chǎn)兩個(gè)科目的余額之和，OthVit：凈資產(chǎn)與FairVit的差值。模型中，BVit=FairVit+OthVit。

本文采用的收益模型

(模型4)

PEFairit：公允價(jià)值變動(dòng)損益科目的數(shù)額(每股數(shù))，PEOtherit：凈收益與PEFairit的差值。模型中PEit=PEFairit+PEOtherit。

本文的數(shù)據(jù)主要來(lái)自國(guó)泰安經(jīng)濟(jì)金融研究數(shù)據(jù)庫(kù)。我們選取中國(guó)2007至2009年上市公司為樣本，同時(shí)選取2004至2006年上市公司為對(duì)照樣本，考慮到金融類上市公司的特殊性，剔除了金融類公司。

二、實(shí)驗(yàn)結(jié)果

從模型3和模型4的描述統(tǒng)計(jì)結(jié)果可以看出，以公允價(jià)值計(jì)量的凈資產(chǎn)和凈收益的部分所占比率都比較小，說(shuō)明我國(guó)目前對(duì)公允價(jià)值計(jì)量的應(yīng)用保持較為謹(jǐn)慎的態(tài)度。 新會(huì)計(jì)準(zhǔn)則的實(shí)施是否增強(qiáng)了會(huì)計(jì)數(shù)據(jù)的解釋能力

模型1的回歸結(jié)果顯示BV和E的系數(shù)非常顯著地異于0，表明這兩個(gè)變量對(duì)股價(jià)有很強(qiáng)的解釋能力。PostBV和PostE的系數(shù)都在1%的水平上顯著地異于0，表明從價(jià)格模型的角度，新會(huì)計(jì)準(zhǔn)則的實(shí)施明顯地增強(qiáng)凈資產(chǎn)和凈收益對(duì)股價(jià)的解釋能力。

從收益模型得出的結(jié)果則顯示Postit Eit /Pit-1的系數(shù)在1%的水平上異于0，表明新會(huì)計(jì)準(zhǔn)則的實(shí)施能夠?yàn)閮羰找鎺?lái)增量的價(jià)格解釋能力?？梢钥闯觯聲?huì)計(jì)準(zhǔn)則的實(shí)施顯著地提高了會(huì)計(jì)數(shù)據(jù)的解釋能力。 新會(huì)計(jì)準(zhǔn)則下，公允價(jià)值計(jì)量部分是否具有增量的價(jià)值相關(guān)性

篇(3)

賀曉宇

四川大學(xué)經(jīng)濟(jì)學(xué)院， 四川 成都 610064

【摘 要】通過(guò)CoVaR實(shí)證方法利用4家國(guó)有銀行和2家私有銀行的股權(quán)收益率值求得中國(guó)銀行相對(duì)其他銀行的風(fēng)險(xiǎn)溢出值和各銀行相對(duì)中國(guó)銀行的風(fēng)險(xiǎn)溢出值、各銀行相對(duì)整體銀行系統(tǒng)的風(fēng)險(xiǎn)貢獻(xiàn)度。結(jié)論：中國(guó)銀行與招商銀行的關(guān)聯(lián)程度最高，中國(guó)銀行與建設(shè)銀行和工商銀行的關(guān)聯(lián)程度較低。同時(shí)招商銀行對(duì)于銀行系統(tǒng)的風(fēng)險(xiǎn)貢獻(xiàn)率最高，說(shuō)明了私有銀行在發(fā)展私人業(yè)務(wù)上與投資民眾聯(lián)系更緊密。

【關(guān)鍵詞】CoVaR法；風(fēng)險(xiǎn)貢獻(xiàn)率；審慎監(jiān)管

一、引言

隨著2008年金融危機(jī)爆發(fā)以來(lái)，關(guān)于金融機(jī)構(gòu)之間風(fēng)險(xiǎn)傳播的研究也逐漸增多，尤其是銀行等傳統(tǒng)資機(jī)構(gòu)在危機(jī)爆發(fā)時(shí)對(duì)于整個(gè)金融系統(tǒng)的風(fēng)險(xiǎn)傳染貢獻(xiàn)程度，而巴塞爾協(xié)議也將審慎性監(jiān)管劃為銀行監(jiān)管的主要形式。

在衡量監(jiān)管必要性條件中，巴塞爾協(xié)議主要集中于考察金融機(jī)構(gòu)的資本充足率，資產(chǎn)負(fù)債率和損失準(zhǔn)備金率等指標(biāo)。在理論上衡量審慎監(jiān)管的必要性條件，Adrain和Brunnermeier（2008）的working paper中提到了利用計(jì)量條件風(fēng)險(xiǎn)價(jià)值的增量和其對(duì)總體風(fēng)險(xiǎn)貢獻(xiàn)率來(lái)衡量。

二、本論文研究對(duì)象、數(shù)據(jù)處理和采用的原理

（一）研究對(duì)象和其數(shù)據(jù)選取

由于我國(guó)銀行的特殊性，大規(guī)模的上市銀行基本為國(guó)有，其對(duì)于整個(gè)銀行系統(tǒng)的穩(wěn)定性具有很大的影響力，所以本論文選取了中國(guó)幾大國(guó)有銀行。農(nóng)業(yè)銀行的上市時(shí)間較晚，數(shù)據(jù)的量不能滿足本論文的實(shí)證需求，舍去農(nóng)業(yè)銀行，確定以中國(guó)銀行、工商銀行，建設(shè)銀行和交通銀行為研究對(duì)象。同時(shí)為方便計(jì)量，添加兩家資本規(guī)模最大且上市時(shí)間較早的股份銀行，招商銀行和中信銀行。

論文的數(shù)據(jù)選取范圍：2008-20112年。受到財(cái)務(wù)數(shù)據(jù)報(bào)表限制，本論文研究數(shù)據(jù)的性質(zhì)是季度數(shù)據(jù)。數(shù)據(jù)來(lái)源于國(guó)泰安數(shù)據(jù)庫(kù)。

（二）本論文選取采用的原理方法

1、風(fēng)險(xiǎn)價(jià)值

本論文的計(jì)算基礎(chǔ)是風(fēng)險(xiǎn)價(jià)值。風(fēng)險(xiǎn)價(jià)值指在一定的置信水平下，某一金融資產(chǎn)在未來(lái)一段時(shí)間內(nèi)的最大可能損失：VaRa=inf {v|P（WT￡W-v）31-a}（公式1）。

其中a表示一定的置信度水平，WT表示T時(shí)刻期望財(cái)富量，W-v表示最大損失量及在險(xiǎn)價(jià)值。

我們也可以采用Jorion（1996）[2]中提出通過(guò)數(shù)學(xué)的標(biāo)準(zhǔn)化計(jì)算可以得到一個(gè)計(jì)算VaR水平的公式：（公式3），其中 是標(biāo)準(zhǔn)化后的股票收益率分布，且其置信度水準(zhǔn)是a。 是收益率標(biāo)準(zhǔn)差， 是計(jì)算的時(shí)間區(qū)間。

2、q分位數(shù)回歸

（公式4）

公式4中，Qy（τ|x）為關(guān)于x的條件分位數(shù)，Qμ（τ）為隨機(jī)擾動(dòng)項(xiàng)的分位數(shù)。對(duì)于分位數(shù)回歸模型，則可采取線性規(guī)劃法（LP）估計(jì)其最小加權(quán)絕對(duì)偏差，從而得到解釋變量的回歸系數(shù)。得：（公式5）

本文中由于風(fēng)險(xiǎn)價(jià)值是定義在一定置信的度水平下的最小損失量，所以采用此回歸方法。

3、關(guān)于CoVar方法的具體討論

定義P（Xi

公式6表示在a的置信水平下如果i銀行的風(fēng)險(xiǎn)價(jià)值為VaRia，則基于這一水準(zhǔn)下的j銀行的風(fēng)險(xiǎn)價(jià)值為CoVaRaji|xi= VaRia。

i對(duì)j風(fēng)險(xiǎn)溢出貢獻(xiàn)率可用：ΔCoVaRj|iq = CoVaRj|iq -VaRj （公式7） 表示。

如果j表示的是整體銀行的風(fēng)險(xiǎn)價(jià)值，則公式（7）就表示某一i銀行對(duì)于銀行系統(tǒng)整體的風(fēng)險(xiǎn)溢出貢獻(xiàn)程度。

三、實(shí)證過(guò)程結(jié)果分析

（一）實(shí)證過(guò)程

在處理股權(quán)收益率時(shí)選擇每季度結(jié)束日的收盤股價(jià)價(jià)，計(jì)算收益率公式為：Ln（Pt/Pt-1），其中Pt為計(jì)算日股票收盤價(jià)，Pt-1為股票計(jì)算日前一期股票收盤價(jià)。為增強(qiáng)計(jì)算準(zhǔn)確率，將算得的收益率擴(kuò)大十倍。選取95%的置信度水平，并且收益率服從正態(tài)分布，因此得到Za的值為1.658。利用公式（3）進(jìn)一步得到各個(gè)銀行單獨(dú)的風(fēng)險(xiǎn)價(jià)值，留備用。本文以中國(guó)銀行為例，見(jiàn)表1，得到中國(guó)銀行對(duì)其他每家銀行的風(fēng)險(xiǎn)溢出貢獻(xiàn)和其他每家銀行對(duì)于中國(guó)銀行的風(fēng)險(xiǎn)溢出貢獻(xiàn)。

（二）實(shí)證結(jié)果分析

單個(gè)銀行對(duì)其他銀行以及系統(tǒng)的風(fēng)險(xiǎn)溢出貢獻(xiàn)中首先分析中國(guó)銀行對(duì)于其他銀行的風(fēng)險(xiǎn)溢出影響，在中國(guó)銀行陷入困境時(shí)建設(shè)銀行的風(fēng)險(xiǎn)價(jià)值最大，即建設(shè)銀行此時(shí)風(fēng)險(xiǎn)絕對(duì)值是最大的，再之是招商銀行，工商銀行，交通銀行和中信銀行。再考慮中國(guó)銀行對(duì)于風(fēng)險(xiǎn)溢出的貢獻(xiàn)程度，中國(guó)銀行對(duì)于招商銀行的風(fēng)險(xiǎn)溢出貢獻(xiàn)率是最大的，再之是交通銀行，中信銀行和工商銀行和建設(shè)銀行。這種風(fēng)險(xiǎn)溢出的貢獻(xiàn)率程度最大化也說(shuō)明兩者銀行之間的關(guān)聯(lián)性是比較高的。

再之，分析每家銀行對(duì)于中國(guó)銀行的影響。發(fā)現(xiàn)如果當(dāng)招商銀行陷入困境時(shí)其對(duì)于中國(guó)銀行的風(fēng)險(xiǎn)溢出貢獻(xiàn)是最大的，其次是中信銀行，交通銀行，建設(shè)銀行和工商銀行。通過(guò)上述，得知國(guó)有銀行之間的關(guān)聯(lián)程度反而相對(duì)較低，而大型國(guó)有銀行和大型的私有銀行之間的關(guān)聯(lián)度是非常高的。

若考慮每家銀行對(duì)于整體銀行系統(tǒng)的風(fēng)險(xiǎn)溢出貢獻(xiàn)值，可發(fā)現(xiàn)招商銀行的風(fēng)險(xiǎn)溢出貢獻(xiàn)絕對(duì)值是最大的，其次則是交通銀行，中信銀行，建設(shè)銀行，工商銀行和中國(guó)銀行。如果再進(jìn)一步考慮風(fēng)險(xiǎn)溢出貢獻(xiàn)的相對(duì)值即風(fēng)險(xiǎn)溢出貢獻(xiàn)率。

另外一個(gè)方面也說(shuō)明我國(guó)股份銀行已經(jīng)逐漸在實(shí)力和整體重要性上有趕上并且超越眾多國(guó)有銀行的趨勢(shì)。實(shí)證對(duì)于審慎監(jiān)管有一定的警示作用，即監(jiān)管機(jī)構(gòu)在選擇那些重要性銀行進(jìn)行重點(diǎn)監(jiān)測(cè)時(shí)應(yīng)該考慮各方面因素，考察其風(fēng)險(xiǎn)的相對(duì)值而非風(fēng)險(xiǎn)溢出的絕對(duì)值，同時(shí)注重銀行的業(yè)務(wù)與投資者等民眾的緊密程度而非只是資產(chǎn)規(guī)模的大小。

參考文獻(xiàn)：

[1]Jorion， Philippe， 1997， “Financial Futures： Risk Management”， Published by Irwin Professional， Chicago.

[2]毛奉君，2011：系統(tǒng)重要性金融機(jī)構(gòu)監(jiān)管問(wèn)題研究》，《國(guó)際金融研究》第9期。

篇(4)

【關(guān)鍵詞】POT；APARCH-M；動(dòng)態(tài)風(fēng)險(xiǎn)；杠桿效應(yīng)

近年來(lái)，由美國(guó)次貸危機(jī)引發(fā)的金融危機(jī)使得各國(guó)金融市場(chǎng)產(chǎn)生大幅波動(dòng)，讓人們廣泛意識(shí)到對(duì)金融機(jī)構(gòu)等實(shí)施金融風(fēng)險(xiǎn)管理的重要性。因此，對(duì)金融市場(chǎng)極端情形下的損失風(fēng)險(xiǎn)的估計(jì)和預(yù)測(cè)是研究者和各投資者關(guān)注的焦點(diǎn)。VaR(Value at Risk)技術(shù)正是這樣一種定量工具，目前已受到業(yè)界的廣泛認(rèn)可，為全球金融市場(chǎng)、電力市場(chǎng)及石油市場(chǎng)廣泛采用[1-2]。但是VaR只是市場(chǎng)處于正常變動(dòng)下市場(chǎng)風(fēng)險(xiǎn)的有效測(cè)度，它不能處理金融市場(chǎng)處于極端價(jià)格變動(dòng)的情形，如股市崩盤等，并且它自身不是一致性風(fēng)險(xiǎn)度量工具[3]。而ES(Expected Shortfall)是度量損失超過(guò)VaR的期望損失，能較好度量極端風(fēng)險(xiǎn)，并且它是一致性風(fēng)險(xiǎn)度量[3-4]，于是論文將ES作為VaR的一個(gè)補(bǔ)充。在傳統(tǒng)的風(fēng)險(xiǎn)度量模型中一般考慮的是整個(gè)收益率的分布，常用正態(tài)分布、t分布、混合正態(tài)分布、Laplace分布等來(lái)描述。而極值理論(Extreme Value Theory)描述的是分布的尾部行為，故而近年來(lái)熱衷于將極值用于風(fēng)險(xiǎn)度量研究中[2-7]。

目前，國(guó)內(nèi)外對(duì)極值的研究主要集中在條件極值的風(fēng)險(xiǎn)度量和應(yīng)用上[3-7]。條件極值模型主要是將極值理論中的POT(Peaks Over Threshold)模型與波動(dòng)模型結(jié)合。在國(guó)內(nèi)，極值理論的研究起步較晚，但發(fā)展迅速，余力[5]和陳守東[6]等的研究結(jié)果表明動(dòng)態(tài)VaR比靜態(tài)VaR度量更準(zhǔn)確；但上述文獻(xiàn)中都沒(méi)考慮金融資產(chǎn)收益率波動(dòng)的杠桿效應(yīng)，即非對(duì)稱性。林宇[7]則通過(guò)非對(duì)稱波動(dòng)模型與極值模型結(jié)合度量風(fēng)險(xiǎn)，測(cè)試結(jié)果較準(zhǔn)確。但他們的研究都忽略了金融資產(chǎn)收益中包含了對(duì)風(fēng)險(xiǎn)的補(bǔ)償，即金融資產(chǎn)收益率與資產(chǎn)風(fēng)險(xiǎn)具有密切的關(guān)系。為了反映出這種關(guān)系，Engle等1987年提出了GARCH-M模型[9]。陳澤中[9]將GARCH-M模型和EGARCH模型結(jié)合起來(lái)，分析了我國(guó)股市波動(dòng)的特點(diǎn)。實(shí)證結(jié)果表明，我國(guó)股市存在明顯的杠桿效應(yīng)，且收益率與波動(dòng)性存在顯著的正相關(guān)關(guān)系。

為了更準(zhǔn)確地度量金融市場(chǎng)風(fēng)險(xiǎn)，論文采用更一般的APARCH模型來(lái)描述收益率序列的波動(dòng)，并充分考慮了金融市場(chǎng)的收益率與風(fēng)險(xiǎn)的正相關(guān)關(guān)系。將極值理論中的POT模型與APARCH-M模型結(jié)合，提出了基于POT-APARCH-M的風(fēng)險(xiǎn)度量模型。

1.APARCH-M模型與極值理論中的POT模型

1.1 APARCH-M模型

在針對(duì)金融時(shí)間序列波動(dòng)性的建模中，Bollerslev在ARCH模型的基礎(chǔ)上提出了廣義自回歸條件異方差模型，這正是我們目前研究比較多的GARCH模型。GARCH模型是ARCH模型的重要擴(kuò)展，然而GARCH模型并不能完全反映金融市場(chǎng)波動(dòng)的特征，特別是其中的杠桿效應(yīng)。于是Ding，Granger和Engle在1993提出了一個(gè)非對(duì)稱的GARCH模型，即APARCH(asymmetric power ARCH)模型[11]。該模型是個(gè)歸納性較強(qiáng)的模型，它將多種ARCH模型和GARCH模型作為其特例，其中包括了TS-GARCH模型，GJR-GARCH模型，Log-GARCH模型，TARCH模型，NARCH模型等[10]。APARCH模型不僅包含了一般GARCH模型的特點(diǎn)，而且還可以捕捉金融市場(chǎng)的杠桿效應(yīng)。設(shè)是股票每日價(jià)格的對(duì)數(shù)收益率序列，滿足嚴(yán)格平穩(wěn)性，且服從APARCH(p,q)過(guò)程，則可以由下式表達(dá)：

(1)式為均值方程，其中為條件均值，為殘差；(2)式中的為條件方差，為標(biāo)準(zhǔn)化殘差，是服從均值為0，方差為1的獨(dú)立同分布序列；(3)式為波動(dòng)方程，其中參數(shù)，，，，，，反映沖擊的杠桿效應(yīng)。

由于金融資產(chǎn)風(fēng)險(xiǎn)的變化對(duì)收益的影響，高的收益往往伴隨著高的風(fēng)險(xiǎn)，即是資產(chǎn)的收益率會(huì)依賴于它的波動(dòng)。為刻畫(huà)這種現(xiàn)象，1987年，Engle、Lilien和Robins提出了GARCH-M模型，其中“M”表示收益率的條件均值為GARCH[8]。此時(shí)，條件均值可以表示為：

上式中的和為常數(shù)，參數(shù)叫做風(fēng)險(xiǎn)溢價(jià)參數(shù)，為正值意味著收益率與它的波動(dòng)正相關(guān)。

于是將(4)式代入到(1)式中，就可以得到APARCH-M模型，即

3.算例分析

3.1 模型參數(shù)估計(jì)及動(dòng)態(tài)VaR和ES估計(jì)

論文選取深證綜合指數(shù)從2003年12月10日到2011年1月20日的每日收盤價(jià)，共1729個(gè)數(shù)據(jù)。取2003年12月10日到2010年1月7日的每日收盤價(jià)共1479個(gè)數(shù)據(jù)，用來(lái)估計(jì)模型的參數(shù)；2010年1月8日以后共250個(gè)數(shù)據(jù)用來(lái)后驗(yàn)測(cè)試。數(shù)據(jù)來(lái)源于大智慧股票軟件。深證綜指的日損失序列定義為，其中為時(shí)收盤價(jià)。論文所有的數(shù)據(jù)處理和分析都在Eviews5.0和R軟件下進(jìn)行的。

通過(guò)Eviews5.0軟件計(jì)算得到損失序列的基本統(tǒng)計(jì)特征見(jiàn)表1，括號(hào)內(nèi)為p值。

從表1中可以看出該損失序列尖峰厚尾，且不對(duì)稱，呈現(xiàn)右偏情形；單位根ADF檢驗(yàn)結(jié)果表明在1%的置信水平下該序列不存在單位根，即損失序列是平穩(wěn)的；Ljung-Box統(tǒng)計(jì)量Q(5)、Q(10)表明該序列有一定的自相關(guān)性，Q2(5)、Q2(10)表明損失序列的平方自相關(guān)，從而該損失序列具有很強(qiáng)的ARCH效應(yīng)。根據(jù)前面的分析使用APARCH(1,1)-M-t模型對(duì)深證綜指樣本內(nèi)損失序列建模，并用最大似然估計(jì)對(duì)參數(shù)進(jìn)行估計(jì)，估計(jì)結(jié)果見(jiàn)表2。

模型擬合后，對(duì)其殘差進(jìn)行ARCH檢驗(yàn)，其檢驗(yàn)統(tǒng)計(jì)量LM(6)的p值為0.99，從而可以判定殘差沒(méi)有異方差性。標(biāo)準(zhǔn)化后的殘差序列均值幾乎為0，方差也十分接近于1，基本可以看成是標(biāo)準(zhǔn)殘差序列。然后對(duì)其進(jìn)行相關(guān)性檢驗(yàn)，Q(5)=24.301(0)，從而可以認(rèn)為其是獨(dú)立序列。標(biāo)準(zhǔn)化后的殘差序列的閾值，MEF(超額均值函數(shù))確定如下圖1所示。從圖1中可以看出閾值在1.8左右，然后結(jié)合McNeil和Frey對(duì)比Hill方法、歷史模擬法等方法，發(fā)現(xiàn)選擇5%左右的極值數(shù)據(jù)使用GPD估計(jì)效果較好，于是閾值可以確定為1.806，接下來(lái)對(duì)超過(guò)閾值的部分進(jìn)行GPD擬合，結(jié)果如圖2所示。從圖上看出擬合效果相當(dāng)好，并且作出其QQ分位圖，如下圖3所示。于是可以用GPD分布對(duì)極值建模，參數(shù)估計(jì)結(jié)果為，。

3.2 模型檢驗(yàn)

為了考察風(fēng)險(xiǎn)度量模型的預(yù)測(cè)效果，常采用Kupiec的失敗次數(shù)檢驗(yàn)方法。其基本思想是：在置信水平為P的條件下，在第t日估計(jì)出第t+1日的風(fēng)險(xiǎn)值和，對(duì)于第t+1日的實(shí)際損失，如果估計(jì)出的，那么就認(rèn)為風(fēng)險(xiǎn)估計(jì)值在第t+1日是失敗的，并計(jì)數(shù)一次。最后將失敗次數(shù)比上考察的總次數(shù)得到失敗率。對(duì)于ES的估計(jì)也是采用同樣的方法。如果失敗率遠(yuǎn)大于，則認(rèn)為是低估了風(fēng)險(xiǎn)，反之則是高估了風(fēng)險(xiǎn)。只有失敗率接近，風(fēng)險(xiǎn)度量方法才被認(rèn)為相對(duì)可靠。論文還將此模型檢驗(yàn)結(jié)果與EGARCH-M-POT模型，APARCH-POT模型檢驗(yàn)結(jié)果進(jìn)行了對(duì)比，從而可以看出此模型的優(yōu)越性。

從上表2深證綜指的后驗(yàn)測(cè)試結(jié)果可以看出，在99%置信水平下，這三種模型預(yù)測(cè)的效果是一樣的，但在97%置信水平下，基于POT-APARCH-M和POT-EGARCH-M模型預(yù)測(cè)效果是一樣地優(yōu)于基于POT-APARCH的，從而表明了考慮收益與風(fēng)險(xiǎn)正相關(guān)對(duì)于金融市場(chǎng)風(fēng)險(xiǎn)的度量更加合理。在95%的置信水平下，基于POT-APARCH-M模型預(yù)測(cè)的效果是最好的，因?yàn)樗鞘÷适亲罱咏?%，從而表明考慮更一般的APARCH模型來(lái)描述收益率的波動(dòng)比EGARCH更合理。而通過(guò)計(jì)算ES的失敗率結(jié)果在高置信水平下，ES的失敗率都為零，從而表明ES相比VaR是更為保守的風(fēng)險(xiǎn)度量。

4.結(jié)論

論文建立了基于極值理論的POT-APARCH-M-t的動(dòng)態(tài)風(fēng)險(xiǎn)度量模型，用來(lái)度量金融市場(chǎng)風(fēng)險(xiǎn)。在描述金融市場(chǎng)波動(dòng)特征時(shí)，采用更一般的APARCH模型。結(jié)果表明它比EGARCH模型更優(yōu)越。在金融市場(chǎng)中往往高的收益伴隨著高的風(fēng)險(xiǎn)，即收益與風(fēng)險(xiǎn)是負(fù)相關(guān)的，從而將APARCH模型與GARCH-M結(jié)合。經(jīng)過(guò)深證綜指風(fēng)險(xiǎn)度量結(jié)果表明損失與風(fēng)險(xiǎn)是負(fù)相關(guān)的，并且更準(zhǔn)確地度量風(fēng)險(xiǎn)。而在度量空頭風(fēng)險(xiǎn)時(shí)，通過(guò)檢驗(yàn)表明，在高置信水平下，ES過(guò)于保守，從而可以看出收益率的右尾較薄。論文只是對(duì)收益率分布上尾極端風(fēng)險(xiǎn)進(jìn)行了度量，當(dāng)然還可以對(duì)下尾極端風(fēng)險(xiǎn)進(jìn)行度量，論文在閾值選取時(shí)，帶有一定的主觀性，閾值準(zhǔn)確的選擇方法一直是現(xiàn)在要解決的問(wèn)題。

參考文獻(xiàn)

[1]王春峰.金融市場(chǎng)風(fēng)險(xiǎn)管理[M].天津:天津大學(xué)出版社,1999.

[2]Bekiros S.D.,Georgoutsos D.A.Estimation of Val-ue-at-Risk by extreme value and conventional method:a comparative evaluation of their predictive performa-nce[J].Int.Fin.Markets,Inst.and Money,2005(15):209-228.

[3]Artzner P.,Delbaen,Eber J.M.,and Heath D.Coher-ent Measures of Risk[J].Mathematical Finance,1999(9):203-228.

[4]Bhattacharyya M.,Ritolia Conditional VaR using EVT-Towards a planned margin scheme[J].Internatio-nal Review of Financial Analysis,2008(17):382-395.

[5]余力,張勇.應(yīng)用極值分布理論的VaR和CVaR估計(jì)[J].求索,2010(4):64-66.

[6]陳守東,孔繁利,胡錚洋.基于極值分布理論的VaR與ES度量[J].數(shù)量經(jīng)濟(jì)技術(shù)研究,2007(3):118-124.

[7]林宇,魏宇,黃登仕.基于GJR模型的EVT動(dòng)態(tài)風(fēng)險(xiǎn)測(cè)度研究[J].系統(tǒng)工程學(xué)報(bào),2008,23(1):45-51.

[8]Ruey S.Tsay.金融時(shí)間序列分析[M].北京:人民郵電出版社,2009.

[9]陳澤忠,楊啟智,胡金泉.中國(guó)股票市場(chǎng)的波動(dòng)性研究――EGARCH-M模型的應(yīng)用[J].決策借鑒,2000,13(5):24-27.

[10]張世英,樊智.協(xié)整理論與波動(dòng)模型[M].北京:清華大學(xué)出版社,2009.

篇(5)

論文關(guān)鍵詞：投入產(chǎn)出模型，協(xié)整檢驗(yàn)產(chǎn)出彈性

 

一、引言

保險(xiǎn)公司是經(jīng)營(yíng)風(fēng)險(xiǎn)的特殊行企業(yè)，客觀上也存在著生產(chǎn)函數(shù)。于規(guī)模收益究竟是遞增還是遞減以及生產(chǎn)要素的產(chǎn)出彈性等問(wèn)題，直接關(guān)系到該企業(yè)資源的最優(yōu)配置狀態(tài)以及企業(yè)決策的制定。通過(guò)對(duì)其生產(chǎn)函數(shù)的深入研究，可以達(dá)到提高生產(chǎn)效率的目的。

國(guó)內(nèi)學(xué)者在保險(xiǎn)領(lǐng)域已做了大量研究。袁金芳（2006）認(rèn)為包括保險(xiǎn)業(yè)在內(nèi)的我國(guó)金融中介對(duì)經(jīng)濟(jì)增長(zhǎng)的促進(jìn)作用主要是通過(guò)提高儲(chǔ)蓄率和資本形成率兩條途徑來(lái)實(shí)現(xiàn)的,而資本的產(chǎn)出率并未相應(yīng)提高。田瑞波（2005）認(rèn)為中國(guó)保險(xiǎn)業(yè)發(fā)展屬于經(jīng)濟(jì)帶動(dòng)型，雖然其發(fā)展與經(jīng)濟(jì)增長(zhǎng)之間存在著長(zhǎng)期的內(nèi)在關(guān)系，但保險(xiǎn)業(yè)增長(zhǎng)對(duì)經(jīng)濟(jì)增長(zhǎng)的促進(jìn)作業(yè)不顯著。呂秀萍（2007）運(yùn)用DEA方法研究表明，中國(guó)保險(xiǎn)業(yè)的規(guī)模效率基本保持較佳水平,而技術(shù)效率水平較低且呈現(xiàn)下降趨勢(shì)。趙旭（2007）認(rèn)為，從構(gòu)成上看,存在著保險(xiǎn)業(yè)技術(shù)進(jìn)步和效率損失并存的格局。上述文獻(xiàn)僅在保險(xiǎn)行業(yè)增長(zhǎng)、保險(xiǎn)行業(yè)效率方面開(kāi)展了比較深入的研究，但并沒(méi)有擬合保險(xiǎn)企業(yè)生產(chǎn)函數(shù)，做進(jìn)一步的討論。本文目的是用企業(yè)的原始數(shù)據(jù)創(chuàng)新的擬合出的投入產(chǎn)出模型，對(duì)其生產(chǎn)函數(shù)進(jìn)行深入的研究，加以獲得更多結(jié)論。

中國(guó)平安集團(tuán)是中國(guó)第一家以保險(xiǎn)為核心的畢業(yè)論文ppt，融證券、信托、銀行等多元金融業(yè)務(wù)為一體的高效的金融服務(wù)集團(tuán)，于2009年躋身于世界500強(qiáng)行列。從保費(fèi)收入來(lái)衡量，平安人壽為中國(guó)第二大壽險(xiǎn)公司，平安產(chǎn)險(xiǎn)為中國(guó)第三大產(chǎn)險(xiǎn)公司。截止到2008年12月31日，集團(tuán)總資產(chǎn)為人民幣7,547.18億元，權(quán)益總額為人民幣856.96億元，公司通過(guò)旗下各專業(yè)子公司共為超過(guò)4,000萬(wàn)名個(gè)人客戶及約200萬(wàn)名公司客戶提供了保險(xiǎn)保障、投資理財(cái)?shù)雀黜?xiàng)金融服務(wù)。基于此，本文選取中國(guó)平安集團(tuán)作為保險(xiǎn)企業(yè)的典型樣本，以1996 -2008的時(shí)間序列數(shù)據(jù)為研究對(duì)象，定量分析其生產(chǎn)函數(shù)的形式及構(gòu)成，定性分析得出相應(yīng)的政策建議。

二、模型的設(shè)定

企業(yè)進(jìn)行生產(chǎn)的過(guò)程就是從投入生產(chǎn)要素到生產(chǎn)出產(chǎn)品的過(guò)程。生產(chǎn)要素一般包括諸如勞動(dòng)力、設(shè)備、原材料、機(jī)器廠房及技術(shù)等。生產(chǎn)過(guò)程中生產(chǎn)要素的投入量和產(chǎn)品的產(chǎn)出量之間的關(guān)系，可以用生產(chǎn)函數(shù)來(lái)表示核心期刊。生產(chǎn)函數(shù)表示在一定的時(shí)期內(nèi)，技術(shù)水平不變的情況下，生產(chǎn)中所使用的各種生產(chǎn)要素的數(shù)量與所能生產(chǎn)的最大產(chǎn)量之間的關(guān)系。

假定，，…表示生產(chǎn)過(guò)程中所需要投入的n種要素，Y表示產(chǎn)出，則生產(chǎn)函數(shù)的一般表達(dá)式為：

 

研究企業(yè)的生產(chǎn)函數(shù)，如果能夠詳盡地分析出企業(yè)投入要素與產(chǎn)出的關(guān)系當(dāng)然最好不過(guò)，但這往往比較復(fù)雜。通常的處理辦法就是將眾多的投入要素分成兩類：勞動(dòng)力投入（L）和資本投入（K），因此得到簡(jiǎn)單的生產(chǎn)函數(shù)為：

 

1928 年美國(guó)經(jīng)濟(jì)學(xué)家、數(shù)學(xué)家柯布(Charles W. Cobo)和道格拉斯(Paul Howard Douglas)在繼承與發(fā)展前人研究成果的基礎(chǔ)上, 將產(chǎn)出和投入的關(guān)系簡(jiǎn)化為以下C-D生產(chǎn)函數(shù)：

（模型一）

模型一為經(jīng)典的C-D生產(chǎn)函數(shù)模型。其中，A是無(wú)法觀測(cè)的技術(shù)因素，和分別代表了產(chǎn)量對(duì)資本投入和勞動(dòng)投入的彈性。對(duì)C-D生產(chǎn)函數(shù)取對(duì)數(shù)得到下式：

（模型二）

全對(duì)數(shù)線性模型除估計(jì)方法的便利之外，其明顯的優(yōu)勢(shì)在于：它可以直接通過(guò)變量的系數(shù)得出產(chǎn)出彈性并進(jìn)一步估計(jì)出規(guī)模收益。

本文采用模型二，并以中國(guó)平安集團(tuán)的數(shù)據(jù)為例畢業(yè)論文ppt，對(duì)保險(xiǎn)企業(yè)的投入產(chǎn)出進(jìn)行研究。

三、變量選取和數(shù)據(jù)來(lái)源

對(duì)模型中所涉及到的產(chǎn)出、資本和勞動(dòng)力三個(gè)變量，分別采取中國(guó)平安集團(tuán)的保險(xiǎn)業(yè)務(wù)收入、固定資產(chǎn)和職工人數(shù)指標(biāo)作為衡量。保險(xiǎn)業(yè)務(wù)收入是反應(yīng)保險(xiǎn)企業(yè)產(chǎn)出的重要指標(biāo)，這里用該指標(biāo)作為產(chǎn)出Y的替代；選取各年度的固定資產(chǎn)作為資本存量K的替代；各年度職工人數(shù)（不包括保險(xiǎn)人等業(yè)務(wù)人員）作為勞動(dòng)力L的替代。

本文采用年度數(shù)據(jù)，樣本區(qū)間為1996―2008年。本文所涉及的數(shù)據(jù)均來(lái)自各年度《中國(guó)保險(xiǎn)年鑒》，保險(xiǎn)業(yè)務(wù)收入已經(jīng)用GDP平減指數(shù)平減，固定資產(chǎn)已用固定資產(chǎn)投資價(jià)格指數(shù)平減，均剔除了價(jià)格影響。表1是平安集團(tuán)1996年―2008年各指標(biāo)的相關(guān)數(shù)據(jù)。

表1 平安集團(tuán)保險(xiǎn)業(yè)務(wù)收入、固定資產(chǎn)、職工人數(shù)

 

年 份

保險(xiǎn)業(yè)務(wù)收入（百萬(wàn)）

固定資產(chǎn)（百萬(wàn)）

職工人數(shù)（人）

1996

10504.40

1483.37

13839

1997

15915.60

3180.46

23966

1998

17659.89

4277.55

10082

1999

22309.48

4342.47

14523

2000

26832.16

4372.15

20390

2001

46318.60

4507.21

26256

2002

62908.06

5318.59

34440

2003

66125.82

5511.00

35999

2004

63902.82

5316.68

39564

2005

73086.21

6061.41

43090

2006

86209.00

7269.08

52229

2007

97766.39

7711.66

70849

2008

128039.08

篇(6)

【關(guān)鍵詞】經(jīng)濟(jì)波動(dòng) 金融沖擊 數(shù)據(jù)分析

一、金融沖擊概述

許多金融微觀數(shù)據(jù)表明，企業(yè)融資效率會(huì)對(duì)企業(yè)本身的經(jīng)濟(jì)運(yùn)轉(zhuǎn)造成嚴(yán)重的影響，但是金融宏觀數(shù)據(jù)很難能夠證明，很難具有說(shuō)服力。

所謂金融沖擊對(duì)抗，體現(xiàn)了金融市場(chǎng)的制度不完善，這種制度缺失讓資金持有者手中的閑置資金不易流通起來(lái)，金融市場(chǎng)資金流通不暢，就會(huì)加大交易的全過(guò)程。

我們通過(guò)對(duì)企業(yè)固有資產(chǎn)投資資金的比例調(diào)查，可以發(fā)現(xiàn)在我國(guó)的企業(yè)的各類固有投資資金里，之前國(guó)內(nèi)貸款的部分有了較顯著的空間下降，經(jīng)濟(jì)周期的波動(dòng)的走向也難以阻擋。而且這個(gè)態(tài)勢(shì)愈演愈烈。因此可以說(shuō)現(xiàn)在我國(guó)企業(yè)融資難度越來(lái)越大，能夠獲得的貸款金額也十分有限。如果我國(guó)企業(yè)貸款能力被無(wú)形地削減，從另一個(gè)側(cè)面也體現(xiàn)了金融市場(chǎng)流通力度的下降。要知道這些約束大多都來(lái)源于金融部門，企業(yè)的借貸能力的下降，由此可見(jiàn)，我們把這種惡性影響叫做金融沖擊。

二、金融沖擊的現(xiàn)狀

（一）基于固定資產(chǎn)投資數(shù)據(jù)的現(xiàn)狀

本論文通過(guò)固定產(chǎn)出的數(shù)據(jù)，以圖表的形式來(lái)研究目前中國(guó)企業(yè)的融資現(xiàn)狀。固定產(chǎn)出的資金來(lái)源大概分為以下五項(xiàng)：國(guó)家體系預(yù)算金、國(guó)內(nèi)貸款、個(gè)人資金、國(guó)際資金、其他。本論文拿“國(guó)內(nèi)貸款”一類來(lái)進(jìn)行論述。

“國(guó)內(nèi)貸款”單指固定項(xiàng)目投資的各類國(guó)內(nèi)借款，指各類社會(huì)合法機(jī)構(gòu)、單位向金融類及非金融類機(jī)構(gòu)籌措的資金。從這個(gè)定義可以得出，“國(guó)內(nèi)貸款”首先有一個(gè)融資額度，代表貸款人或者貸款機(jī)構(gòu)、單位能夠籌措的資金上限。按照國(guó)內(nèi)貸款金額與固定資金之比，我們繪制如下圖表，根據(jù)時(shí)間序列橫向排開(kāi)，數(shù)據(jù)區(qū)間從2000年第三季度到2015年第四季度。

圖1清晰地可以發(fā)現(xiàn)，從2000年到2015年，國(guó)內(nèi)貸款數(shù)額占固有投資數(shù)額的比例幾乎是一個(gè)階段性下降的態(tài)勢(shì)。如果計(jì)算一個(gè)均值的話，得出的數(shù)值大概是0.3，由此可見(jiàn)從金融機(jī)構(gòu)處獲得的企業(yè)的投資資金大約30%。這么低的比重也從側(cè)面展示了貸款難度。整體來(lái)看，不難得知我國(guó)企業(yè)未來(lái)的貸款形勢(shì)不容樂(lè)觀。（注：圖1底部左到右刻度分別從2000年至2015年）

現(xiàn)在我們利用H p濾波器，將國(guó)內(nèi)貸款數(shù)額的周期性進(jìn)行展示，圖2可以看出，長(zhǎng)期波動(dòng)過(guò)后，國(guó)內(nèi)貸款數(shù)額的比例開(kāi)始持續(xù)的短期波動(dòng)。根據(jù)圖表觀察，這種周期性的波動(dòng)異常頻繁，頻率值是0.93%。（注：圖2底部左到右刻度分別從2000年至2015年）

（二）基于信貸經(jīng)濟(jì)數(shù)據(jù)的現(xiàn)狀

政府控制經(jīng)濟(jì)所使用的重要舉措之一就是信貸管理。某種程度上政府的許多宏觀調(diào)控政策都能夠依靠銀行來(lái)提高信貸的供給量。由此可見(jiàn)，在中國(guó)這樣一個(gè)資本市場(chǎng)發(fā)展相對(duì)比較落后的國(guó)家，金融市場(chǎng)的主體還是銀行，而中國(guó)企業(yè)的外部融資必須要靠銀行的資金輸入才能完成，這就凸顯了金融機(jī)構(gòu)的信貸功能的重要意義。

如圖3所示，為了說(shuō)明信貸規(guī)模對(duì)中國(guó)宏觀經(jīng)濟(jì)的重要程度，我們利用HP濾波器來(lái)解釋貸款總數(shù)額量里剩余數(shù)額波動(dòng)和產(chǎn)出的波動(dòng)。注：圖2底部左到右刻度分別從2000年至2015年）

從圖3數(shù)據(jù)來(lái)看，可能出于貨幣政策或其它原因考慮，金融機(jī)構(gòu)不斷地調(diào)整信貸供給，這當(dāng)然影響中國(guó)企業(yè)的金融活動(dòng)，還會(huì)影響到總產(chǎn)出和總投資。面對(duì)信貸配給緊張時(shí)，有一些企業(yè)盡管能夠得到貸款，但遠(yuǎn)遠(yuǎn)低于他們的預(yù)期，不能全面的滿足資金預(yù)期。有一些企業(yè)很難獲得貸款，哪怕付出很多的代價(jià)也無(wú)濟(jì)于事。所以說(shuō)金融部門的干擾尤其是銀行信貸，會(huì)對(duì)實(shí)體經(jīng)濟(jì)帶來(lái)非常重要的沖擊。

從現(xiàn)狀來(lái)看，我國(guó)的金融體系正在發(fā)生一系列重大的變革，變革的深度與寬度難以預(yù)料。所以說(shuō)找到金融變革的核心，這對(duì)中國(guó)未來(lái)經(jīng)濟(jì)的影響異常重要。

現(xiàn)在國(guó)內(nèi)很多學(xué)者都開(kāi)始著手研究金融市場(chǎng)和經(jīng)濟(jì)周期兩者是否存在著一些聯(lián)系，像著名學(xué)者王文甫以及劉方等都對(duì)中國(guó)經(jīng)濟(jì)波動(dòng)特征進(jìn)行了解釋，他們都認(rèn)為信用借貸和民間小額借貸對(duì)金融市場(chǎng)的有序流通起到了特殊的傳導(dǎo)作用。另外有一些經(jīng)濟(jì)學(xué)者對(duì)銀行信貸進(jìn)行了量化研究，除此之外，少數(shù)研究人員對(duì)銀行信貸服務(wù)對(duì)經(jīng)濟(jì)波動(dòng)的影響提出了獨(dú)特的想法。

三、金融沖擊與中國(guó)經(jīng)濟(jì)波動(dòng)的關(guān)系

通過(guò)分析我國(guó)企業(yè)固有資產(chǎn)資金數(shù)額，進(jìn)一步對(duì)其潛在的問(wèn)題進(jìn)行剖析。固定產(chǎn)出的資金來(lái)源大概分為以下五項(xiàng)：國(guó)家體系預(yù)算金、國(guó)內(nèi)貸款、個(gè)人資金、國(guó)際資金、其他。在這里我們需要對(duì)國(guó)內(nèi)貸款做深度的剖析，“國(guó)內(nèi)貸款”單指固定項(xiàng)目投資的各類國(guó)內(nèi)借款，指各類社會(huì)合法機(jī)構(gòu)、單位向金融類及非金融類機(jī)構(gòu)籌措的資金。我們認(rèn)為國(guó)內(nèi)貸款數(shù)額是有一個(gè)上限額度，許多案例都說(shuō)明這個(gè)上限額度已經(jīng)出現(xiàn)了逐步下降的態(tài)勢(shì)，現(xiàn)在中國(guó)大多數(shù)企業(yè)能夠流入的借貸比例大約只有22%，直接反映了中國(guó)企業(yè)貸款越來(lái)越難，障礙也越來(lái)越多。

四、結(jié)語(yǔ)

最近的金融海嘯和經(jīng)濟(jì)危機(jī)再一次證明了金融市場(chǎng)和環(huán)境對(duì)經(jīng)濟(jì)波動(dòng)有實(shí)質(zhì)性的影響。許多金融專家認(rèn)為不能忽視金融市場(chǎng)環(huán)境對(duì)經(jīng)濟(jì)產(chǎn)量帶來(lái)的波動(dòng)和干擾。上文分析了金融沖擊的經(jīng)濟(jì)后果，最后得出中國(guó)企業(yè)的固有資產(chǎn)資金數(shù)額里，國(guó)內(nèi)貸款占比持續(xù)低落、經(jīng)濟(jì)周期頻率上呈現(xiàn)了持續(xù)震動(dòng)的結(jié)論，這種持續(xù)震動(dòng)的后果體現(xiàn)了當(dāng)下中國(guó)企業(yè)信貸能力的停滯不前，借貸渠道的干澀緊乏，上限額度的持續(xù)下降，這都體現(xiàn)了金融沖擊的可怕影響。

首先，本論文分析了固定資產(chǎn)投資資金數(shù)據(jù)，最終得出了我國(guó)企業(yè)國(guó)內(nèi)貸款占比出現(xiàn)下降趨勢(shì)，企業(yè)獲得的貸款越來(lái)越少，借貸能力受到的約束也在加大，且未知干擾也越來(lái)越多。各類金融機(jī)構(gòu)貸款數(shù)額中，貸款剩余數(shù)額與經(jīng)濟(jì)波動(dòng)之間具有密切的相關(guān)性。也就是說(shuō)信貸是影響經(jīng)濟(jì)階段性頻率波動(dòng)的關(guān)鍵所在。其余原因包括整個(gè)金融市場(chǎng)上面融資信息的不均衡不對(duì)稱等，這些都干擾了中國(guó)企業(yè)的貸款質(zhì)量和數(shù)量。

金融沖擊作為帶動(dòng)我國(guó)經(jīng)濟(jì)階段性波動(dòng)的關(guān)鍵因素，它體現(xiàn)了可計(jì)算性。消費(fèi)、就業(yè)、債權(quán)、債務(wù)、產(chǎn)出等增長(zhǎng)波動(dòng)都可被計(jì)算。我國(guó)大約75%的經(jīng)濟(jì)產(chǎn)量增長(zhǎng)浮動(dòng)都能從金融沖擊的角度來(lái)體現(xiàn)，像產(chǎn)出、消費(fèi)、投資和就業(yè)等宏觀經(jīng)濟(jì)都可以被解釋。

總的來(lái)說(shuō)，中國(guó)是一個(gè)發(fā)展中國(guó)家，而發(fā)展中國(guó)家的金融抑制問(wèn)題是當(dāng)前許多國(guó)家普遍存在的問(wèn)題，一方面由于發(fā)展中國(guó)家的金融環(huán)境和經(jīng)濟(jì)市場(chǎng)體制的不成熟，另一方面與全球范圍內(nèi)的金融海嘯動(dòng)蕩有關(guān)聯(lián)，包括世界性政治文化等原因，都會(huì)對(duì)中國(guó)經(jīng)濟(jì)波動(dòng)產(chǎn)生微妙的關(guān)聯(lián)，所以分析中國(guó)經(jīng)濟(jì)波動(dòng)的原因，一定要全面具體的綜合考慮各種方面，這也是未來(lái)的主要探討思路。

參考文獻(xiàn)：

[1] 陳文亭，龔六堂.粘滯價(jià)格模型以及中國(guó)經(jīng)濟(jì)的數(shù)值模擬―對(duì)基本RBC模型的改進(jìn)[J].數(shù)量經(jīng)濟(jì)與技術(shù)經(jīng)濟(jì)研究，2014，9.

篇(7)

摘 要：每一個(gè)成功的企業(yè)對(duì)廣告都非常重視，不惜斥巨資進(jìn)行廣告宣傳。那么廣告支出對(duì)企業(yè)績(jī)效的影響到底如何？如果廣告有效，那為什么還有企業(yè)破產(chǎn)清算？通過(guò)實(shí)證研究探尋廣告支出對(duì)企業(yè)績(jī)效的影響，發(fā)現(xiàn)廣告支出與企業(yè)績(jī)效存在著正相關(guān)關(guān)系和倒U型關(guān)系，繼而確定最佳廣告支出規(guī)模對(duì)企業(yè)長(zhǎng)遠(yuǎn)發(fā)展具有重要意義。

關(guān)鍵詞：廣告；績(jī)效；非線性

一、前言

當(dāng)今信息社會(huì)，企業(yè)無(wú)不重視信息工程的建設(shè)，努力向外部人傳遞積極向好的消息，借以擴(kuò)大產(chǎn)品銷售市場(chǎng)或是進(jìn)行融資。廣告是企業(yè)進(jìn)行宣傳的手段之一，它正在以一種妖嬈的姿態(tài)滲透到我們生活的方方面面。廣告的形式也呈現(xiàn)多樣化，植入式廣告這種具有很高的隱蔽性的廣告越來(lái)越受到企業(yè)的青睞。實(shí)力雄厚的企業(yè)不惜斥巨資邀名人代言以期產(chǎn)生名人效應(yīng)，推動(dòng)產(chǎn)品的知名度與影響力。我們不禁要問(wèn)，廣告能在多大程度上提升企業(yè)的經(jīng)營(yíng)績(jī)效？廣告投入是否也遵循邊界效益遞減的規(guī)律？這些是本文將要研究的問(wèn)題。

二、研究假設(shè)

H1：廣告投入與企業(yè)績(jī)效正相關(guān)。H2：廣告投入與企業(yè)績(jī)效是倒U型關(guān)系。

（一）變量設(shè)計(jì)與研究模型

本文的研究變量主要從企業(yè)績(jī)效和廣告投入兩方面考慮，分別選取了營(yíng)業(yè)收入指標(biāo)（REVENUE）和銷售費(fèi)用（SALEFEE）?？刂谱兞恐饕匈Y產(chǎn)負(fù)債率（DA）、總資產(chǎn)周轉(zhuǎn)率（TURNOVER）、總資產(chǎn)（ASSET）。

為了檢驗(yàn)假設(shè)1和假設(shè)2，我們分別建立模型1：REVENUE=α0+α1SALEFEE+α2DA+α3TURNOVER+α4ASSET+ε和模型2：REVENUE=β0+β1SALEFEE+β2SALEFEE^2+β3DA+β4TURNOVER+β5ASSET+ε。α1應(yīng)該為正，說(shuō)明企業(yè)績(jī)效隨著廣告投入的增加而增加；β2應(yīng)該為負(fù)，反應(yīng)銷售量隨廣告支出先增加后減少的趨勢(shì)。

（二）樣本選擇與數(shù)據(jù)來(lái)源

本文選擇2010年第一季度至2012年第三季度我國(guó)滬深兩市上市公司的數(shù)據(jù)為初始樣本，并對(duì)樣本進(jìn)行了篩選，首先考慮到金融行業(yè)的經(jīng)營(yíng)模式和盈利來(lái)源與其他非金融行業(yè)存在較大差別，剔除了金融行業(yè)的上市公司，只考慮一般企業(yè)的情況；剔除了數(shù)據(jù)缺失、異常的上市公司。最后本文得到2658個(gè)數(shù)據(jù)。本文所有的數(shù)據(jù)均來(lái)源CCER經(jīng)濟(jì)金融數(shù)據(jù)庫(kù)，并采用EXCEL和EVIEWS6.0對(duì)數(shù)據(jù)進(jìn)行了必要的加工和處理。

三、實(shí)證分析與結(jié)果

（一）描述性統(tǒng)計(jì)

本文分別對(duì)研究變量和控制變量進(jìn)行了統(tǒng)計(jì)性分析（見(jiàn)表一）。從中我們發(fā)現(xiàn)，營(yíng)業(yè)收入均值約為3.55億元，營(yíng)業(yè)收入總體波動(dòng)較大，小到19萬(wàn)，大到133億。銷售費(fèi)用均值為0.191億元，最小1375元，最大11.1億元。差距顯著，反映不同的企業(yè)對(duì)銷售的重視程度不同。同樣，在不同行業(yè)、不同企業(yè)中資產(chǎn)規(guī)模存在較大差異。

表一 各變量描述性統(tǒng)計(jì)表

（二）回歸方程結(jié)果

312本文運(yùn)用EVIEWS6.0進(jìn)行了OLS回歸分析（見(jiàn)表3）。各系數(shù)均通過(guò)5%的顯著性，模型的擬合度達(dá)到88%以上，F(xiàn)值很大，建模成功。從模型1，我們發(fā)現(xiàn)銷售費(fèi)用的系數(shù)為0.22>0，且顯著，符合假設(shè)1，表示銷售支出每增加1%，企業(yè)的營(yíng)業(yè)收入將增加0.22%。同時(shí)，各控制變量前的系數(shù)均為正，說(shuō)明它們與企業(yè)績(jī)效也存在正向關(guān)系。

從模型2，我們看到銷售費(fèi)用的一次和二次項(xiàng)系數(shù)均顯著，其中二次項(xiàng)系數(shù)-0.005

表三 方程回歸結(jié)果

四、結(jié)論與建議

本文的分析證實(shí)了廣告支出與企業(yè)績(jī)效的正相關(guān)和倒U型關(guān)系。廣告支出每提高1%，相應(yīng)的企業(yè)營(yíng)業(yè)收入增加022%。這意味著廣告費(fèi)用并非越多越好，客觀存在一個(gè)使企業(yè)收益最大化的廣告支出。

參考文獻(xiàn)

[1] 倉(cāng)平營(yíng)銷策略組合對(duì)品牌權(quán)益的影響機(jī)理研究―基于休閑運(yùn)動(dòng)服飾品牌的實(shí)證[D]上海：上海交通大學(xué)博士學(xué)位論文，2007