| 摘要 | 第1-6页 |
| Abstract | 第6-8页 |
| 目录 | 第8-10页 |
| 插图索引 | 第10-11页 |
| 附表索引 | 第11-12页 |
| 第1章 绪论 | 第12-22页 |
| ·选题背景及意义 | 第12-14页 |
| ·文献综述 | 第14-20页 |
| ·商业银行信用风险压力测试 | 第14-18页 |
| ·最差情景估计 | 第18-20页 |
| ·研究内容与研究思路 | 第20-21页 |
| ·论文的创新点 | 第21-22页 |
| 第2章 估计压力测试最差情景的必要性及相关理论 | 第22-32页 |
| ·传统压力测试情景分析方法及其缺陷 | 第22-23页 |
| ·历史情景分析法 | 第22页 |
| ·假设情景分析法 | 第22-23页 |
| ·估计信用风险压力测试最差情景的必要性 | 第23-24页 |
| ·国际国内银行业监管的要求 | 第23-24页 |
| ·最差情景估计方法的技术优势 | 第24页 |
| ·最差情景估计方法 | 第24-31页 |
| ·最差情景估计的定义与特点 | 第24-25页 |
| ·马哈拉诺比斯距离与椭球等高分布 | 第25-27页 |
| ·马氏距离量化压力情景可能性定理 | 第27-28页 |
| ·最大损失函数与最差情景估计 | 第28-30页 |
| ·网格算法 | 第30-31页 |
| ·本章小结 | 第31-32页 |
| 第3章 基于最差情景估计的信用风险压力测试模型构建 | 第32-42页 |
| ·压力测试模型基础 | 第32-34页 |
| ·信用风险压力测试承压指标的选取 | 第32-33页 |
| ·信用风险压力测试冲击因子的选取 | 第33-34页 |
| ·最差情景估计模型 | 第34-39页 |
| ·风险因子的筛选 | 第34-38页 |
| ·最差情景估计模型的构建 | 第38-39页 |
| ·压力测试传导模型 | 第39-41页 |
| ·Wilson 模型与向量自回归模型 | 第39-40页 |
| ·压力测试传导模型的构建 | 第40-41页 |
| ·本章小结 | 第41-42页 |
| 第4章 基于最差情景估计的信用风险压力测试实证分析 | 第42-56页 |
| ·数据准备与参数估计 | 第42-46页 |
| ·数据准备与处理 | 第42-43页 |
| ·压力测试模型的参数估计 | 第43-46页 |
| ·历史情景压力测试分析 | 第46-49页 |
| ·假设情景压力测试分析 | 第49-52页 |
| ·最差情景压力测试分析 | 第52-55页 |
| ·绘制风险因子椭球等高分布 | 第52-53页 |
| ·马哈拉诺比斯距离的计算 | 第53页 |
| ·估计最差情景 | 第53-55页 |
| ·本章小结 | 第55-56页 |
| 第5章 商业银行压力测试中情景设置的对策建议 | 第56-60页 |
| ·把握压力测试情景的经济前瞻性 | 第56-57页 |
| ·衡量压力情景的极端程度及概率 | 第57-58页 |
| ·健全我国金融数据统计体系 | 第58页 |
| ·结合本国特点引入国外压力测试模型 | 第58-60页 |
| 结论 | 第60-62页 |
| 参考文献 | 第62-65页 |
| 致谢 | 第65-66页 |
| 附录 A 攻读硕士学位期间参与的科研课题 | 第66-67页 |
| 附录 B 绘制多元等高椭球体的 Matlab 程序 | 第67-69页 |
| 附录 C 2004-2011 年宏观经济解释变量统计数据 | 第69-70页 |
