在资本市场的理论与实践中,对投资风险的度量研究一直是学术界和实务界关注的焦点问题。作为风险管理的基础,风险测量不准确,往往导致风险管理策略失效。随着金融市场价格的波动性和资产流动性增大,风险管理越来越受人们重视,风险的度量方法也发生了一系列的变化,有名义价值法、敏感性度量法、波动法、在险价值等,其中β系数和VaR值的应用最为广泛。由于CAPM模型中β系数正是对系统性风险的刻画,因此对该模型的β系数研究是本文的重点之一。近年来,β系数的研究集中在其稳定性及变动特征等方面。多数研究成果表明,证券市场的β系数呈现不稳定特性,影响因素包括有经济周期、利率等宏观层面的,也有公司财务等微观层面的,还包括公司所处行业等中观层面的。然而,传统CAPM模型由于其自身包含严格的假定,使其在刻画时变β时存在很大的局限性,这也给准确度量系统性风险带来一定的难度。为此,学术界又展开了一系列的改进研究,产出的成果有ICAPM、CCAPM、LAPM、EPT、BCAPT等,这些都是对CAPM模型的纵向研究,且都能很好地解释经济现象的某些方面,但仍存在各自的缺陷。横向方面的研究,焦点是探讨β系数的估计方法,包括递推估计、滚动窗回归、kalman滤波贝塔方法等,其中Michael D.Mckenzie等利用kalman滤波方法研究了澳大利亚行业贝塔和澳大利亚市场指数及和世界市场指数间的关系,指出行业贝塔和国内市场指数间关系更大。为准确度量行业系统性风险,本文利用kalman滤波法估计CAPM模型下的β系数,将状态空间模型引入进来,从而能准确估计时变β值。本文另一研究重点为风险度量方法中的VaR法。随着J.P摩根建立了信息系统Risk Metrics, VaR值越来越受风险管理者的青睐。它能以一个数字系统概括市场风险的所有组成部分,包括曲线风险、级差风险、波动性风险等,运用起来十分简洁、方便。随着应用领域的扩大,人们对VaR的要求也越来越高,于是准确估计VaR值显得十分重要。一般地,有参数估计法和非参数估计法。传统的VaR估计法,是假定收益服从一定分布,根据收益序列估计参数,从而计算得出VaR。该方法有两个缺陷,一是假定收益分布一直不变,这与证券市场剧烈波动不相符；二是忽视了金融时间序列本身的特性,比如收益的尖峰肥尾、波动的积聚性,长记忆性等。这同样给准确刻画金融风险带来一定的难度。为此,Engle于1982年率先提出ARCH模型,并将该模型引入到VaR的计算中。之后学者们不断完善ARCH族模型,如Bollerslev于1986年在ARCH(p)模型中增加了q个自回归项,推广成GARCH(p, q)模型,克服了高阶ARCH模型带来的多重共线性。同年,Engle and Bollerslev为了刻画股市收益率持续的高波动性,提出了积分GARCH(IGARCH)模型。为了捕捉绝对值收益等波动替代指标自相关缓慢衰减特征,Baillie、Bollerslev和Mikkelsen(BBM,1996)提出分数积分GARCH(FIGARCH)模型,该模型是条件均值ARFIMA模型在条件方差方面的扩展,能较好刻画金融时间序列波动率的积聚性及长记忆性,被广泛运用于VaR测度中。本文将FIGARCH模型引入到VaR的计算中,从而能较好刻画金融时间序列的风险特征。本文在研究系统性风险度量方法的同时,利用十大振兴行业的数据进行实证,分析十大振兴行业的系统性风险特征,并将两种度量方法的实证结果进行比较。具体分六章,各章的结构和基本内容如下：第一章为导论。本章首先探讨选题背景和选题意义,对风险度量方法的发展、分类进行了详细的阐述和说明,指出各类度量法的优缺点。并说明β系数及VaR值在风险度量中的广泛应用。其次是文献综述,分为两部分：是对β系数的研究综述,总结前人对β系数及其估计方法的研究,引出本文的研究内容；二是对VaR的研究综述,归纳以往学者对VaR应用的研究成果,着重是对VaR值的估计方法,引出本文将用到的估计方法,从而确保风险度量的准确性。最后介绍本文要研究的内容及论文框架。第二章是系统性风险相关理论的介绍。首先界定了系统性风险的概念,介绍风险的分类及风险来源；其次对CAPM理论的内容做了详细的介绍,包括模型形式、模型假定、缺陷及理论发展,主要是引出本文对CAPM模型横向发展的一个应用——估计时变β；此外,介绍了VaR理论的部分内容,包括VaR的计算、传统VaR的缺陷及发展应用,引出本文选用GARCH族模型中的FIGARCH模型估计动态VaR值。第三章是模型选择与模型转换的内容。综述以往学者的研究成果发现,采用卡尔曼滤波估计效果较好,选用状态空间模型,利用其逐步递归的运算方式,将CAPM模型转换成状态空间模型,从而能较好估计时变β值；选用非参数估计法,利用FIGARCH模型估计σ2、偏态t分布下的函数返回值,从而得出动态VaR的计算公式,并对该方法进行返回检验——kupiec失败率检验,以确保估计方法的适用性。第四章为系列度量方法的实证研究。选用十大振兴行业作为研究样本,具体过程分四个部分,第一节是研究样本的选取和数据说明,简要说明选取十大振兴行业的背景,该十大行业均系国民经济的主导力量,一方面受宏观经济的影响,这些行业面临重大调整的压力；一方面自身的历史原因导致继续前行的重重阻碍。在产业振兴规划的主题下,这些行业的股市风险又将呈现新的特征,这是本文的出发点。数据说明部分主要是概述数据处理的方式。第二节是十大振兴行业β的时变特征分析,将用状态空间模型估计时变β,得出这些行业的β有几个关键的时间点特征明显,其中2005年9月-2007年1月中旬前,除了石化、纺织、有色金属其他行业的贝塔系数相对较为稳定；2007年2月,β系数出现一个集体突变现象,与其他行业指数的β值不同的是,钢铁行业指数的β值突然增大,之后仍保持在一个高位；而其他行业则表现为先下降后上升的走势。07年底,钢铁行业指数的β值处于一段时间的高位后,开始下降,直至08年年底。分析主要原因有,一方面由于市场开始走向熊市,钢铁行业一直充当引领市场的角色,经过约1年的时间,该行业处于疲软状态,波动也逐渐减小,该行业风险对市场风险的贡献程度逐渐渐弱；一方面其他行业也开始活跃起来,活跃程度逐渐高于钢铁行业,典型代表的有汽车、船舶、纺织、装备制造业、电子信息等,这些行业在调整的过程中也集聚一些力量,影响着市场走势。09年前后,由于产业政策出台的前后,股市也表现出先验性,多呈现为一个向下突变后上升的走势。第三节是通过动态VaR值刻画十大行业的风险特征,其结果与β值的分析结果有异曲同工之妙。第四节分别从β及VaR的均值和方差两方面比较,试图求证这两种风险度量方法的可操作性及适用性。第五、六两章作为本文的结尾部分,就分析结果进行了综述,并对全文进行总结。本文的主要创新点有：1.将行业系统性风险的度量作为研究对象,着重估计两个度量指标。分别选用状态空间模型和FIGARCH模型估计时变β、动态VaR,结果表明,这些模型的估计效果显著,能较好地刻画系统性风险的动态特征及证券市场收益率的波动特性。2.选用十大振兴行业作为实证样本。该十大行业系2009年初国家出台的产业调整与振兴规划中的十大产业,将其作为实证样本较为典型,也较新颖,能及时了解证券市场中的风险特性,无论是对监管者还是投资者都有参考作用。本文在研究系统性风险的度量也存在一些不足：如本文主要针对系统性风险或市场风险度量研究,对非系统性风险的内容涉及较少,如果能进一步将这部分内容加进去,将更具有综合性及说服力。另外,行业系统性风险的研究是一个中观层面的研究,对于风险管理者而言有一定的参考作用,而对投资者而言,只有简单的引导作用,若能在以后的研究中加以改进将大有裨益。