本專著立足于中國有色金屬期貨市場，結合傳統(tǒng)的金融風險分析方法，同時利用機器學習、深度學習等手段，展開了關于期貨市場系統(tǒng)性風險度量與監(jiān)測等一系列問題的討論。如分析基于Copula-CoVaR模型的系統(tǒng)性風險溢出效應；基于CAViaR模型的系統(tǒng)性風險測度等。本研究獲得了國家自然科學基金、江蘇省自然科學基金以及教育部人文社會科學基金的支持。專著內(nèi)容主要源于作者已發(fā)表的學術期刊論文和碩士生論文。圖書定位為高�？蒲泄ぷ髡呒把芯可�，具有較強的專業(yè)性。

插圖清單
附表清單
緒論
第一章 Copula理論基礎
1.1 Copula函數(shù)的定義與性質(zhì)
1.1.1 Copula函數(shù)的定義
1.1.2 Copula函數(shù)的性質(zhì)
1.2 常用二元Copula函數(shù)
1.2.1 二元正態(tài)Copula函數(shù)
1.2.2 二元t-Copula函數(shù)
1.2.3 Gumbel Copula函數(shù)
1.2.4 Clayton Copula函數(shù)
1.2.5 Frank Copula函數(shù)
1.3 本章小結
第二章 Copula-CoVaR模型及方法
2.1 相關文獻概述
2.1.1 關于Granger因果檢驗的風險溢出效應研究
2.1.2 關于GARCH模型的風險溢出效應研究
2.1.3 關于Copula模型的風險溢出效應研究
2.1.4 研究述評
2.2 CoVaR模型
2.2.1 CoVaR模型的定義
2.2.2 Copula-CoVaR模型推導
2.3 正態(tài)性檢驗
2.3.1 Jarque-Bera檢驗
2.3.2 Kolmogorov-Smirnov檢驗
2.3.3 Lilliefors檢驗
2.4 相關性檢驗
2.4.1 Pearson線性相關系數(shù)
2.4.2 Kendall秩相關系數(shù)
2.4.3 Spearman秩相關系數(shù)
2.5 Copula模型估計
2.5.1 經(jīng)驗密度函數(shù)
2.5.2 核密度估計
2.6 本章小結
第三章 基于Copula-CoVaR模型的系統(tǒng)性風險測度
3.1 國內(nèi)有色金屬期貨市場數(shù)據(jù)分析
3.1.1 樣本選擇與數(shù)據(jù)處理
3.1.2 描述性統(tǒng)計
3.1.3 正態(tài)性檢驗
3.1.4 確定邊緣分布
3.1.5 選擇最優(yōu)Copula函數(shù)
3.1.6 計算條件風險價值CoVaR
3.1.7 實證結果分析
3.2 國內(nèi)外有色金屬期貨市場數(shù)據(jù)比較分析
3.2.1 樣本選擇與數(shù)據(jù)處理
3.2.2 描述性統(tǒng)計
3.2.3 正態(tài)性檢驗
3.2.4 確定邊緣分布
3.2.5 選擇最優(yōu)Copula函數(shù)
3.2.6 計算條件風險價值CoVaR
3.2.7 實證結果分析
3.3 本章小結
第四章 ICA-TGARCH-M模型及方法
4.1 相關文獻概述
4.2 獨立成分分析的定義
4.3 GARCH類模型的選取
4.4 ICA-TGARCH-M模型的構建
4.5 本章小結
第五章 基于ICA-TGARCH-M模型的風險溢出分析
5.1 數(shù)據(jù)的選取與分析
5.2 實證結果分析
5.2.1 TGARCH(1，1)-M模型估計
5.2.2 ICA-TGARCH(1，1)-M模型估計
5.3 基于ICA-TGARCH(1，1)-M模型的收益預測
5.4 本章小結
第六章 CAViaR模型及方法
6.1 相關文獻概述
6.1.1 非參數(shù)法的相關研究
6.1.2 參數(shù)法的相關研究
6.1.3 半?yún)��?shù)法的相關研究
6.2 CAViaR模型形式
6.2.1 VaR概念
6.2.2 模型形式
6.3 參數(shù)估計
6.4 模型檢驗
6.5 本章小結
第七章 基于CAViaR模型的系統(tǒng)性風險測度
7.1 數(shù)據(jù)選取
7.2 描述性統(tǒng)計
7.3 平穩(wěn)性檢驗
7.4 實證結果分析
7.5 風險預測
7.6 本章小結
第八章 基于CAViaR模型的風險溢出性分析
8.1 相關文獻概述
8.1.1 股票市場的風險溢出性研究
8·1.2 期貨市場的風險溢出性研究
8.1.3 銀行間市場的風險溢出性研究
8.2 溢出性理論分析
8.2.1 溢出性概念
8.2.2 匯率因素
8.2.3 利率因素
8.2.4 其他金融市場
8.3 匯率因素對期貨市場的風險溢出性分析
8.3.1 數(shù)據(jù)選取
8.3.2 描述性統(tǒng)計
8.3.3 平穩(wěn)性檢驗
8.3.4 Granger因果關系檢驗
8.3.5 實證結果分析
8.3.6 風險預測
8.4 利率因素對期貨市場的風險溢出性分析
8.4.1 數(shù)據(jù)選取
8.4.2 描述性統(tǒng)計
8.4.3 平穩(wěn)性檢驗
8.4.4 Granger因果關系檢驗
8.4.5 實證結果分析
8.5 其他金融市場對期貨市場的風險溢出性分析
8.5.1 國內(nèi)股票市場
8.5.2 倫敦金屬期貨市場
8.5.3 紐約金屬期貨市場
8.6 本章小結
第九章 深度學習理論
9.1 相關文獻概述
9.2 模型介紹
9.2.1 MLP模型
9.2.2 RNN模型
9.2.3 LSTM模型
9.3 本章小結
第十章 有色金屬期貨價格預測模型構建
10.1 數(shù)據(jù)來源與樣本選擇
10.1.1 數(shù)據(jù)來源
10.1.2 總樣本區(qū)間以及訓練集與測試集的劃分
10.2 數(shù)據(jù)預處理
10.3 損失函數(shù)與優(yōu)化器
10.4 模型選擇
10.4.1 機器學習模型
10.4.2 線性ARIMA模型
第十一章 機器學習模型與ARIMA模型預測效果對比分析
11.1 預測效果評估指數(shù)
11.2 長期預測效果對比分析
11.3 短期預測效果對比分析
11.4 LsTM模型和ARIMA模型預測結果綜合分析
11.5 本章小結
第十二章 結論
參考文獻
附錄 部分程序代碼