下载掌阅APP，畅读海量书库
立即打开
不同于银行主导的物流金融业务模式，本书立足国内供应链金融的现实环境，以商业信用和资产支持融资理论为基础，提出了考虑物流企业金融属性的供应链金融，该业务是在传统物流金融基础上依据物流企业和银行双方的比较优势展开的内部分工的二次优化，其本质已经脱离了银行信贷，而是将银行信贷资源以商业信用的形式在供应链内部进行的二次配置。进一步，通过追溯物流企业供应链金融的发展脉络发现，物流企业金融属性渐次体现的过程亦是物流企业由功能性企业向平台型甚至生态企业升级的过程。总结出流程性、自偿性和组合性三大特征，物流金融、贸易金融以及供应链管理的三重属性，二者既是考虑物流企业金融属性的供应链金融的盈利基础，亦是其风险管理的基础，其风险控制的关键在于真实贸易背景下交易商品组合及其衍生的现金流的控制。基于此，本书提出了长期风险预测视角下，以质物组合优化为核心的风险分散策略和以动态套期保值为核心的风险对冲策略。本书的剩余章节安排如下：
第2章为二元质物组合的长期风险预测，基于风险分散策略的思想，建立二元Copula-GARCH族模型，分别研究了不同秩相关系数下的两组真实质物组合（铜和螺纹钢以及铜和铝）的对数收益率间的条件相关性，进而运用蒙特卡洛模拟方法进行样本外滚动预测风险值VaR，引入历史模拟法和EWMA方法进行对比，提出一类新的数据生成方法，以铜和螺纹钢的收益率的条件波动率和Copula函数生成四组不同秩相关系数的模拟质物组合，解决现货数据匮乏带来的“小样本”问题，以验证模型的普适性，提供了一种混合质押物风险管理的新框架和新模式，实现从业务风险把握到数值模型实现的创新。
第3章为多元质物组合的长期风险预测及优化。相较于二元质物组合优化中基于时间平方根法则的长期风险预测方法，本章提出了一类更具普适性的蒙特卡洛模拟方法。在此基础上提出了长期风险预测视角下的多元质物组合优化框架。而且相较于改进后的均值方差框架，该框架在积极型投资策略抑或保守型投资策略下，均体现出了更好的能力。
第4章则重点考虑了长记忆特征情形下的多元质物组合的优化问题。本章沿用长期风险视角下的均值CVaR的质物组合优化框架，重点解决以下三个层面的问题：其一，质物资产的波动过程是否存在典型的长记忆特征？其二，如果长记忆特征真实存在，那么其如何影响组合内各资产的波动率期限结构以及资产间的相关结构，换言之，忽视长记忆特征的存在又会对质物资产多期波动率的建模、预测以及资产组合相关结构的刻画产生怎样的影响，最终如何作用于资产组合的有效前沿？其三，组合内资产的长记忆程度如影响组合的有效前沿，以厘清长记忆程度与质物资产风险期限结构的关系。
第5章基于中国供应链金融实践中多以具有强周期属性的大宗商品作为质押资产这一典型事实，将外部宏观经济波动引致的系统性风险因素考虑进质押资产的长期价格风险预测中。进一步，分别以已实现波动率和宏观经济景气指数作为宏观经济波动的代理变量，建立不同的GARCH-MIDAS模型，以期有效解决高频价格数据样本的小样本与长周期预测之间的难题。以螺纹钢为样本的实证结果表明：现货资产的条件波动率以及长期波动部分体现出显著的逆周期特征；宏观经济波动对于现货质押资产的整体波动影响显著，而且存在周期的不对称效应；通过稳健损失函数检验，GARCH-MIDAS模型在不同的样本外、预测期限内，均体现出较好的预测能力，尤其是季度和半年度的长周期预测。所得结论为银行以及物流企业的供应链金融风险管理决策提供了量化基础。
第6章则聚焦于宏观经济下行时期，宏观经济基本面作为外部系统性风险因素引起的质物资产价格的普遍下跌，极易引发组合优化这一风险分散策略的失灵问题。基于此，本章提出了考虑物流企业风险厌恶异质性的动态套期保值策略，以实现对系统性风险因素的对冲。模型构建层面，将低频周期内的已实现波动率和宏观经济预警指数的条件方差作为衡量外部系统性风险因素的代理变量，通过混频数据抽样回归过程，建立GARCH-MIDAS模型和DCC-MIDAS模型，实现了质物资产期现货长期波动率测度和动态相关结构的刻画。
第7章构建了GARCH-MIDAS-CU（ h ）价格波动预测模型，并对比行业经济不确定性模型CU（ h ）与现有的经济政策不确定性指数EPU预测期铜价格波动的效果，证实了行业经济不确定性模型预测期铜价格的效果更优，而且加入行业经济不确定性CU（ h ）后，提高了GARCH-MIDAS-RV价格波动预测基础模型的预测准确性。通过系统、科学的文献综述回顾，发现大量的文献更侧重于用EPU衡量外部经济不确定性，因为EPU数据的获取很便捷，但是这些文献忽略了一点，有些经济政策不一定会对大宗商品价格产生影响，进而没有很好地区分EPU的应用场景，导致实证结果并不理想。进一步证实了本书构建的行业经济不确定性模型CU（ h ）的可行性。
第8章给出了本书的结论，指出研究的不足和下一步的研究展望。