本专著立足于中国有色金属期货市场，结合传统的金融风险分析方法，同时利用机器学习、深度学习等手段，展开了关于期货市场系统性风险度量与监测等一系列问题的讨论。如分析基于Copula-CoVaR模型的系统性风险溢出效应；基于CAViaR模型的系统性风险测度等。本研究获得了国家自然科学基金、江苏省自然科学基金以及教育部人文社会科学基金的支持。专著内容主要源于作者已发表的学术期刊论文和硕士生论文。图书定位为高校科研工作者及研究生，具有较强的专业性。

插图清单
附表清单
绪论
第一章 Copula理论基础
1.1 Copula函数的定义与性质
1.1.1 Copula函数的定义
1.1.2 Copula函数的性质
1.2 常用二元Copula函数
1.2.1 二元正态Copula函数
1.2.2 二元t-Copula函数
1.2.3 Gumbel Copula函数
1.2.4 Clayton Copula函数
1.2.5 Frank Copula函数
1.3 本章小结
第二章 Copula-CoVaR模型及方法
2.1 相关文献概述
2.1.1 关于Granger因果检验的风险溢出效应研究
2.1.2 关于GARCH模型的风险溢出效应研究
2.1.3 关于Copula模型的风险溢出效应研究
2.1.4 研究述评
2.2 CoVaR模型
2.2.1 CoVaR模型的定义
2.2.2 Copula-CoVaR模型推导
2.3 正态性检验
2.3.1 Jarque-Bera检验
2.3.2 Kolmogorov-Smirnov检验
2.3.3 Lilliefors检验
2.4 相关性检验
2.4.1 Pearson线性相关系数
2.4.2 Kendall秩相关系数
2.4.3 Spearman秩相关系数
2.5 Copula模型估计
2.5.1 经验密度函数
2.5.2 核密度估计
2.6 本章小结
第三章 基于Copula-CoVaR模型的系统性风险测度
3.1 国内有色金属期货市场数据分析
3.1.1 样本选择与数据处理
3.1.2 描述性统计
3.1.3 正态性检验
3.1.4 确定边缘分布
3.1.5 选择最优Copula函数
3.1.6 计算条件风险价值CoVaR
3.1.7 实证结果分析
3.2 国内外有色金属期货市场数据比较分析
3.2.1 样本选择与数据处理
3.2.2 描述性统计
3.2.3 正态性检验
3.2.4 确定边缘分布
3.2.5 选择最优Copula函数
3.2.6 计算条件风险价值CoVaR
3.2.7 实证结果分析
3.3 本章小结
第四章 ICA-TGARCH-M模型及方法
4.1 相关文献概述
4.2 独立成分分析的定义
4.3 GARCH类模型的选取
4.4 ICA-TGARCH-M模型的构建
4.5 本章小结
第五章 基于ICA-TGARCH-M模型的风险溢出分析
5.1 数据的选取与分析
5.2 实证结果分析
5.2.1 TGARCH(1，1)-M模型估计
5.2.2 ICA-TGARCH(1，1)-M模型估计
5.3 基于ICA-TGARCH(1，1)-M模型的收益预测
5.4 本章小结
第六章 CAViaR模型及方法
6.1 相关文献概述
6.1.1 非参数法的相关研究
6.1.2 参数法的相关研究
6.1.3 半参数法的相关研究
6.2 CAViaR模型形式
6.2.1 VaR概念
6.2.2 模型形式
6.3 参数估计
6.4 模型检验
6.5 本章小结
第七章 基于CAViaR模型的系统性风险测度
7.1 数据选取
7.2 描述性统计
7.3 平稳性检验
7.4 实证结果分析
7.5 风险预测
7.6 本章小结
第八章 基于CAViaR模型的风险溢出性分析
8.1 相关文献概述
8.1.1 股票市场的风险溢出性研究
8·1.2 期货市场的风险溢出性研究
8.1.3 银行间市场的风险溢出性研究
8.2 溢出性理论分析
8.2.1 溢出性概念
8.2.2 汇率因素
8.2.3 利率因素
8.2.4 其他金融市场
8.3 汇率因素对期货市场的风险溢出性分析
8.3.1 数据选取
8.3.2 描述性统计
8.3.3 平稳性检验
8.3.4 Granger因果关系检验
8.3.5 实证结果分析
8.3.6 风险预测
8.4 利率因素对期货市场的风险溢出性分析
8.4.1 数据选取
8.4.2 描述性统计
8.4.3 平稳性检验
8.4.4 Granger因果关系检验
8.4.5 实证结果分析
8.5 其他金融市场对期货市场的风险溢出性分析
8.5.1 国内股票市场
8.5.2 伦敦金属期货市场
8.5.3 纽约金属期货市场
8.6 本章小结
第九章 深度学习理论
9.1 相关文献概述
9.2 模型介绍
9.2.1 MLP模型
9.2.2 RNN模型
9.2.3 LSTM模型
9.3 本章小结
第十章 有色金属期货价格预测模型构建
10.1 数据来源与样本选择
10.1.1 数据来源
10.1.2 总样本区间以及训练集与测试集的划分
10.2 数据预处理
10.3 损失函数与优化器
10.4 模型选择
10.4.1 机器学习模型
10.4.2 线性ARIMA模型
第十一章 机器学习模型与ARIMA模型预测效果对比分析
11.1 预测效果评估指数
11.2 长期预测效果对比分析
11.3 短期预测效果对比分析
11.4 LsTM模型和ARIMA模型预测结果综合分析
11.5 本章小结
第十二章 结论
参考文献
附录 部分程序代码