| 致谢 | 第7-8页 |
| 摘要 | 第8-9页 |
| ABSTRACT | 第9-10页 |
| 第一章 绪论 | 第15-22页 |
| 1.1 研究背景及意义 | 第15-16页 |
| 1.2 国内外研究现状 | 第16-19页 |
| 1.2.1 神经网络分位数回归模型的研究现状 | 第16-17页 |
| 1.2.2 VaR风险测度的研究现状 | 第17-18页 |
| 1.2.3 人民币汇率预测的研究现状 | 第18-19页 |
| 1.3 研究思路和方法 | 第19-20页 |
| 1.3.1 研究思路 | 第19-20页 |
| 1.3.2 研究方法 | 第20页 |
| 1.4 主要创新及结构安排 | 第20-22页 |
| 1.4.1 主要创新 | 第20-21页 |
| 1.4.2 结构安排 | 第21-22页 |
| 第二章 神经网络分位数回归理论与方法 | 第22-27页 |
| 2.1 模型表示 | 第22页 |
| 2.2 模型估计 | 第22-23页 |
| 2.3 参数选择的AIC准则 | 第23页 |
| 2.4 模型预测 | 第23页 |
| 2.4.1 条件分位数预测 | 第23页 |
| 2.4.2 概率密度预测 | 第23页 |
| 2.5 检验AIC准则有效性的数值模拟 | 第23-27页 |
| 2.5.1 数据生成 | 第23-24页 |
| 2.5.2 数值比较 | 第24-27页 |
| 第三章 极端VaR风险测度的新方法：QRNN+POT | 第27-47页 |
| 3.1 VaR风险测度 | 第27页 |
| 3.1.1 VaR风险测度的定义 | 第27页 |
| 3.1.2 VaR风险测度的性质 | 第27页 |
| 3.2 VaR风险测度的常见算法 | 第27-31页 |
| 3.2.1 基于RiskMetrics模型的VaR风险测度 | 第27-28页 |
| 3.2.2 基于ARMA-GARCH模型的VaR风险测度 | 第28-29页 |
| 3.2.3 基于线性分位数回归模型的VaR风险测度 | 第29-30页 |
| 3.2.4 基于CAViaR模型的VaR风险测度 | 第30-31页 |
| 3.3 QRNN+POT方法 | 第31-33页 |
| 3.3.1 极值理论POT方法 | 第31-32页 |
| 3.3.2 QRNN+POT方法 | 第32-33页 |
| 3.4 基于QRNN+POT方法的股票市场极端VaR风险测度 | 第33-46页 |
| 3.4.1 数据选取与统计分析 | 第33-35页 |
| 3.4.2 正常VaR风险测度 | 第35-38页 |
| 3.4.3 极端VaR风险测度 | 第38-46页 |
| 3.5 本章小结 | 第46-47页 |
| 第四章 基于神经网络分位数回归人民币汇率概率密度预测 | 第47-58页 |
| 4.1 人民币汇率的发展历程 | 第47-49页 |
| 4.2 人民币汇率的影响因素分析 | 第49-50页 |
| 4.2.1 贸易收支 | 第49页 |
| 4.2.2 外汇储备 | 第49页 |
| 4.2.3 通货膨胀 | 第49页 |
| 4.2.4 货币供应量 | 第49-50页 |
| 4.2.5 利率水平 | 第50页 |
| 4.2.6 外商直接投资 | 第50页 |
| 4.3 计量模型与方法 | 第50-52页 |
| 4.3.1 人民币汇率的神经网络分位数回归模型 | 第50-51页 |
| 4.3.2 人民币汇率概率密度预测 | 第51-52页 |
| 4.4 实证研究 | 第52-57页 |
| 4.4.1 数据选取 | 第52页 |
| 4.4.2 人民币汇率预测结果 | 第52-57页 |
| 4.5 本章小结 | 第57-58页 |
| 第五章 总结与展望 | 第58-59页 |
| 5.1 研究总结 | 第58页 |
| 5.2 研究展望 | 第58-59页 |
| 参考文献 | 第59-63页 |
| 攻读硕士学位期间的学术活动及成果情况 | 第63页 |
