VaR的定义是指在给定的概率水平下,单个金融资产或者市场可能遭受的最大损失。随着2008年金融危机的爆发,人们注意到系统性风险在风险度量方面的重要性,而在此之前人们对于风险的度量主要集中在单个金融资产,而无法准确评估风险在各个金融机构或者市场之间的溢出效应。本文选择CoVaR方法来衡量系统性风险,以研究我国上市的商业银行对其整体的风险溢出效应。当前对CoVaR进行分位数回归估计所选择的模型基本是Adrian和Brunnermeier(2008)所提出的线性分位数模型,而在现实中,线性模型与真实的情况并不一定相符。为了能更为准确地拟合出接近真实的模型并捕捉到真实的风险水平,本文将单指标分位数模型与CoVaR相结合来衡量系统性风险。单指标分位数模型的线性结构使得自变量能更容易解释,而其模型形式未知使得所拟合的模型更加灵活,能更加接近真实的模型,并且在模型估计的过程中加入变量选择,以筛选出模型中相关变量和剔除不相关变量,使得模型的估计更接近真实的模型,能够得到更多真实有用的信息。对单指标分位数模型进行估计所得到的估计量具有一致性。单指标模型是一种半参数模型,半参数模型的特殊结构使得其结合了参数估计和非参数估计二者各自的特点。目前半参数模型的估计问题是统计研究领域比较前沿的问题之一。单指标模型的标准形式为:Y= g(XTβ)+ ε其中,Y∈R是响应变量,X=(X1,...Xp)∈Rp是协变量,ε是模型误差,g(·)是未知的连接函数,β=(β1,...,βp)T∈Rp是未知指标参数向量,为了识别模型,设置‖β‖=1,β1>0。本文将介绍单指标分位数模型的全迭代估计方法。分位数估计是根据最小化分位数损失函数之和得到系数和连接函数的估计,但是由于单指标模型的连接函数的形式是未知的,使得估计问题变得复杂。全迭代的方法将估计步骤拆分成两步:首先给定参数的估计,使用局部线性分位数回归得到连接函数的估计;然后根据已经得到的连接函数估计得到参数的估计;不断迭代这两步可以得到最终准确的估计。单指标分位数估计的全迭代方法可以得到参数部分和连接函数部分的渐近性质。很多模型的变量都是稀疏的,为了筛选出显著性变量,因而本文在单指标分位数模型的估计过程中加入变量选择,所采用的变量选择方法是自适应LASSO,该方法已经被证明具有优良的估计一致性。文章对带有多种误差分布的数据进行了带变量选择的单指标分位数模型估计问题进行了模拟,以论证该估计方法的有限样本的表现。将单指标分位数模型应用到CoVaR来衡量系统性风险,单指标模型的线性结构使得其可以在Adrian和Brunnermeier(2008)所提出的线性分位数模型的基础上进行应用。本文对在上海证券交易所的14家商业银行分别采用单指标分位数模型和线性分位数进行系统性风险的估计并进行比较,接着引入返回检验来检验二者估计的效果,返回检验包括Ljung-Box检验和CaViaR检验,检验结果表明单指标分位数模型的估计结果会更加准确。最后对估计的系统性风险和变量选择结果进行了分析,得出结论银行整体的系统性风险可以根据单个银行的风险、金融市场的波动性和收益率进行估计。