1 绪论 1
1.1 研究背景及其意义 1
1.2 问题的提出 7
1.3 本书的主要研究内容与技术路线 11
1.4 本书的主要创新之处 14
2 相关理论基础 16
2.1 信用风险的概念 16
2.2 信用风险的度量模型 17
2.2.1 传统的信用风险评估方法 18
2.2.2 信用风险评估的统计方法 19
2.2.3 信用风险评估的非统计方法 23
2.2.4 信用风险度量的结构化模型和简约化模型 25
2.3 信用风险的违约相关性 28
2.3.1 线性相关系数 29
2.3.2 Copula函数 30
2.4 复杂网络的相关理论 33
2.4.1 复杂网络的演化结构理论 34
2.4.2 复杂网络结构下的传染模型 39
2.5 延迟效应和免疫治理的相关理论 42
2.5.1 延迟效应 43
2.5.2 免疫治理的相关理论 43
2.6 本章小结 47
3 国内外相关研究现状 48
3.1 信用风险的研究现状 48
3.1.1 信用风险的度量模型 48
3.1.2 信用风险的违约相关性 53
3.1.3 信用风险的传染 60
3.2 复杂网络应用的研究现状 64
3.2.1 关联主体网络的结构特征 65
3.2.2 关联主体网络结构下的风险传染机制 70
3.2.3 关联信用主体网络结构下的信用风险传染 74
3.3 延迟效应和免疫治理应用的研究现状 76
3.3.1 延迟效应应用的研究现状 76
3.3.2 免疫治理应用的研究现状 77
3.4 本章小结 79
4 关联信用风险的主要特性 81
4.1 引言 81
4.2 关联信用风险的概念 82
4.3 关联信用风险的成因 85
4.3.1 关联信用主体之间的关联特征 86
4.3.2 关联信用主体的资信状况 86
4.3.3 关联信用主体各方信息的不对称和不完全 87
4.3.4 信用制度建设不完善 87
4.3.5 关联信用主体的经营管理不当 88
4.3.6 不可控因素的干扰 88
4.4 复杂网络结构下的关联信用风险 90
4.5 关联信用风险的传染延迟效应 92
4.5.1 关联信用风险的传染效应 92
4.5.2 关联信用风险的延迟效应 96
4.6 关联信用风险的免疫特征 100
4.7 本章小结 102
5 基于小世界网络的关联信用风险传染延迟效应 103
5.1 引言 103
5.2 基于小世界网络的关联信用风险传染延迟效应模型 106
5.2.1 基本假设 106
5.2.2 模型构建 107
5.2.3 结果分析 108
5.3 基于小世界网络的关联信用风险传染延迟效应可视化分析 110
5.4 本章小结 117
6 基于无标度网络的关联信用风险传染延迟效应 118
6.1 引言 118
6.2 基于无标度网络的关联信用风险传染延迟效应模型 120
6.2.1 基本假设 120
6.2.2 模型构建 120
6.3 基于BA网络的关联信用风险传染延迟效应模型 123
6.3.1 模型构建 123
6.3.2 可视化分析 126
6.4 本章小结 133
7 不完全免疫情景下的关联信用风险传染延迟及仿真 134
7.1 引言 134
7.2 不完全免疫情景下的关联信用风险传染模型 137
7.2.1 基本假设 137
7.2.2 模型构建 140
7.3 演化仿真及结果分析 144
7.3.1 “移出”状态下关联信用主体的密度与传染概率的关系 145
7.3.2 “移出”状态下关联信用主体的密度与“拟免疫”信用主体密度的关系 148
7.4 本章小结 150
8 研究总结与展望 152
8.1 研究总结 152
8.1.1 关联信用风险的主要特性 153
8.1.2 基于小世界网络和无标度网络的关联信用风险传染延迟效应 153
8.1.3 不完全免疫情景下的关联信用风险传染延迟效应 154
8.2 研究的不足与展望 155
参考文献 158
后记 182