第三产业行业信用风险传染效应分析:基于DCC-MSV-KMV模型
需积分: 12 128 浏览量
更新于2024-08-13
收藏 448KB PDF 举报
"基于DCC-MSV-KMV模型的第三产业行业信用风险传染效应度量"
本文探讨了在2013年的背景下,如何利用DCC-MSV(Dynamic Conditional Correlation - Multivariate Stochastic Volatility)模型和KMV(Kahane-Merton-Vasicek)模型来度量第三产业内部不同行业的信用风险传染效应。这两个模型的结合旨在更精确地分析行业间的相互影响,尤其是在信用风险方面。
DCC-MSV模型是一种用于处理多个时间序列间动态相关性的方法,它能够捕捉到不同行业间信用风险变化的同步性和波动性。通过这种方式,可以揭示各行业信用风险的联动效应,即当一个行业出现信用风险时,可能会如何传递到其他行业。
KMV模型,又称为Merton模型,是基于企业资产价值和债务水平的模型,用于评估企业违约概率。在此研究中,KMV模型被用来估计每个选定行业的信用风险状况。
研究选择了五个具体的行业——交通运输、仓储业,信息技术业,批发和零售贸易业,房地产业和社会服务业作为研究对象。这些行业被选中是因为它们在第三产业中的重要地位,以及它们的上市公司数量足够多,从而提供了足够的数据进行分析。
实证分析发现,第三产业内的各行业间信用风险传染效应的平均值超过了0.5,并且呈现出震荡上升的趋势。这一结果表明,行业间的信用风险传染效应正在加剧,风险传染的程度也在加深。特别是在交通运输、仓储业与其他四个行业之间,这种传染效应尤为显著。这可能是因为交通运输、仓储业作为基础设施行业,其运营状态对其他行业有深远影响,如信息传递、商品流通等。
房地产业和社会服务业之间的信用风险传染也比较明显,这可能是因为这两者都受到交通运输、仓储业的直接影响,同时也可能共享某些共同的信用风险因子。另一方面,批发和零售贸易业与社会服务业的信用风险传染效应最强且相对稳定,这可能是因为它们既受到交通运输、仓储业的影响,同时它们内部也存在紧密的业务关联性。
总结来说,这篇论文通过结合DCC-MSV和KMV模型,揭示了第三产业内不同行业间信用风险传染的复杂性及其发展趋势,对于理解和预防行业间的系统性风险具有重要意义。研究结果对于政策制定者、金融机构和投资者在风险管理中提供了一种有效的分析工具,有助于他们更好地识别和应对潜在的信用风险传播。
2022-07-15 上传
2021-05-24 上传
2021-04-02 上传
2021-10-01 上传
点击了解资源详情
点击了解资源详情
2023-09-12 上传
weixin_38703980
- 粉丝: 6
- 资源: 878
最新资源
- transformers:收集资源以深入研究《变形金刚》
- Shopify spy - shopify store parser & scraper-crx插件
- node-friendly-response:进行JSON响应的简单方法
- 致敬页面
- brazilian-flags:显示 ListActivity 和 TypedArrays 的简单 Android 代码。 旧代码迁移至顶级 Android Studio
- chat-test
- 使用Temboo通过Amazon实现简单,健壮的M2M消息传递-项目开发
- 格塔回购
- pg-error-enum:没有运行时相关性的Postgres错误的TypeScript枚举。 还与纯JavaScript兼容
- textbelt:用于发送文本消息的Node.js模块
- SaltStack自动化运维基础教程
- FreeCodeCamp
- BurnSoft.Applications.MGC:My Gun Collection应用程序的主库,其中包含与数据库交互的大多数功能
- CoreFramework:实施全球照明技术的通用核心框架
- 数据库mysql基本操作合集.zip
- auto-decoding-plugin:以OWASP ModSecurity Core Rule Set插件的形式自动解码有效载荷参数