金融风险价值量化分析的后续问题展望

在获得上述结果的同时，不可否认这些工作内外仍然存在很多不足之地。为便于进一步开展未来的工作，这里将有待继续研究的主要问题阐述如下：

1.对第二章而言，我们运用同样的分析方法，把基于双因子模型的多分辨率估计方法推广到多因子模型，可以预料多因子的选取或许会使这些模型表现出更具实践价值。对多分辨率的均值-方差、均值-VaR、均值-CVaR 等投资组合优化模型而言，本书认为在这些模型中加入MRAMVaR 约束条件后，模型求解的结果将更接近真实情况。这都可以作为VaR 多分辨率特征研究工作的一项重要展望。

2.对第三章而言，通过诊断性检验筛选出的结构简单的多尺度模型总比复杂结构的模型好，但有时候为了监测资产价格的异常波动(比如资产分笔成交的异常价格)，选用综合性极强的多尺度模型更能发现金融市场的微观结构特征。同时从技术层面上讲，小波函数的筛选、最佳尺度的选取、多尺度模型的参数约束讨论、统计诊断的理论分析以及模型应用等都是进一步探讨的重大课题。

3.对第四章而言，研究表明块阈值规则从多尺度视角充分地展示出了单尺度收益率的分布密度函数的局部特征。依托于此提出的风险价值的多尺度估值模型也是对VaR 估值方法的完善，将其应用于量化股指期货等衍生品的风险价值具有重要的监管作用。此外，投资者可以利用该模型对金融资产的市场风险进行多尺度估值分析，根据风险偏好选择低风险价值的资产，实现高质量的投资决策与风险管理，这也是值得检验的一些极富应用价值的展望。

4.对第五、六、七章而言，以小波局部阈值估计量为代表的具有局部自适应能力的Copula模型能够充分地对复杂特征数据之间的相依结构进行局部自适应量化，这是目前已知的参数Copula族不具备的功能。由于这类Copula模型不便于像常见参数Copula模型那样进行相依结构仿真，因此以具有局部自适应能力的Copula模型为标准，通过最小化均方积分误差准则，校正常见参数Copula模型的估值结果以及筛选出最佳的参数Copula模型，进一步将其用于金融市场风险的估值与资产的最优化配置等问题，势必也会进一步丰富Copula理论的实践经验。(www.xing528.com)

5.对第八章而言，在非参数Copula和已有的参数Copula类中，综合已有文献对金融变量尾部相依结构的识别和度量，事先建立更加复杂的Copula-GARCH 类模型，然后定义一个相关的MCMC 算法对模型参数估值，对潜在的真实Copula进行统计推断，从设定的类中筛选出最优的Copula-GARCH模型，这样尽可能准确地捕捉到金融相依结构潜在的复杂特征，从而对时变相依结构加以深层次的建模分析，最终实现世界范围内的金融风险价值的最优度量与管理。

6.对第十章而言，暨第九章补充一点的就是，文中仅考虑了边缘密度为学生t分布的时变Copula-GARCH-M 模型，但是同样可以拓展到其他边缘随机波动率模型和Copula 函数。此外，我们依据MCMC2 筛选出一个最优Copula函数或者子类，较为准确地量化世界金融市场之间复杂的相依结构特征及预测资产组合风险VaR，从而实现对金融风险价值的最优预测与管理。

最后，综合多尺度分析和MCMC这两个视角，构建一种多尺度的贝叶斯风险量化分析框架也是一项很有实践价值的研究课题，因此这里还有很长的路要走。