| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-17页 |
| 1.1 研究背景与研究意义 | 第9-11页 |
| 1.1.1 研究背景 | 第9-10页 |
| 1.1.2 研究意义 | 第10-11页 |
| 1.2 文献综述 | 第11-13页 |
| 1.3 研究内容及研究路线 | 第13-15页 |
| 1.3.1 研究内容 | 第13-14页 |
| 1.3.2 研究路线 | 第14-15页 |
| 1.4 研究方法和论文创新 | 第15-17页 |
| 1.4.1 研究方法 | 第15页 |
| 1.4.2 论文创新 | 第15-17页 |
| 2 相关概念以及风险传染理论 | 第17-28页 |
| 2.1 相关概念 | 第17-20页 |
| 2.1.1 系统重要性银行 | 第17-18页 |
| 2.1.2 银行系统性风险 | 第18-19页 |
| 2.1.3 银行风险传染 | 第19-20页 |
| 2.2 风险传染理论 | 第20-28页 |
| 2.2.1 金融风险周期性解释派：金融脆弱性假说 | 第20-22页 |
| 2.2.2 金融信息学派：信息不对称 | 第22-24页 |
| 2.2.3 D-D银行挤兑模型理论 | 第24-25页 |
| 2.2.4 货币主义学派：货币政策论 | 第25-26页 |
| 2.2.5 资产价格波动理论 | 第26-28页 |
| 3 商业银行风险现状分析 | 第28-35页 |
| 3.1 国内外商业银行发展环境 | 第28-30页 |
| 3.2 系统重要性银行风险现状 | 第30-32页 |
| 3.3 非系统重要性银行风险现状 | 第32-34页 |
| 3.4 本章小结 | 第34-35页 |
| 4 基于SVAR模型的风险传染效应分析 | 第35-46页 |
| 4.1 向量自回归理论 | 第35-37页 |
| 4.1.1 VAR模型和方差分解 | 第35-36页 |
| 4.1.2 结构VAR模型 | 第36-37页 |
| 4.2 商业银行之间的风险传染效应 | 第37-44页 |
| 4.2.1 数据来源及样本选取 | 第37-38页 |
| 4.2.2 Granger因果关系检验 | 第38-42页 |
| 4.2.3 基于SVAR模型的方差分解 | 第42-44页 |
| 4.3 本章小结 | 第44-46页 |
| 5 不同规模商业银行主体的非线性传染效应 | 第46-65页 |
| 5.1 Copula理论及Copula函数 | 第46-52页 |
| 5.1.1 Copula理论 | 第46-47页 |
| 5.1.2 常用椭球类和阿基米德类Copula函数 | 第47-49页 |
| 5.1.3 Copula模型的估计方法 | 第49-52页 |
| 5.2 生成GARCH-VaR序列 | 第52-57页 |
| 5.3 基于Copula模型的非线性传染效应分析 | 第57-64页 |
| 5.3.1 确定随机变量的边缘分布 | 第57-58页 |
| 5.3.2 选择适当的Copula函数 | 第58-61页 |
| 5.3.3 基于二维Copula函数的金融风险传染测度 | 第61-64页 |
| 5.4 本章小结 | 第64-65页 |
| 6 政策建议与研究展望 | 第65-68页 |
| 6.1 政策建议 | 第65-66页 |
| 6.1.1 针对商业银行施行多元监管标准 | 第65页 |
| 6.1.2 引导商业银行有效进行市场定位 | 第65-66页 |
| 6.1.3 严防严控，阻止系统性金融风险 | 第66页 |
| 6.2 研究不足与研究展望 | 第66-68页 |
| 参考文献 | 第68-71页 |
| 附录A：商业银行样本序列边缘分布拟合图 | 第71-73页 |
| 附录B：部分样本序列二元Copula函数联合密度图 | 第73-75页 |
| 附录C：基于日收益率序列的格兰杰因果关系检验汇总表 | 第75-77页 |
| 附录D：部分国家或地区商业银行不良贷款率汇总表 | 第77-79页 |
| 致谢 | 第79页 |
