基于Copula-GARCH模型的互联网金融市场风险测度

陈耀辉，马凌云

(南京财经大学 经济学院，江苏 南京 210023)

一、 引言

最近几年，互联网金融产业迅速发展，产生了许多新行业，对传统金融行业产生了巨大冲击，尤其在余额宝等互联网金融产品出现后，人们对货币基金的投资越来越多，为了规范互联网金融业的发展，最重要的事就是加强对互联网金融的监管。互联网金融机构之间交流与资金流通日渐频繁，同时行业间的竞争也不断加剧，许多企业对行业市场进行了深入研究。新兴互联网的金融模式给传统行业带来了巨大冲击，在国内掀起了创新的狂潮，形成了P2P平台、众筹、第三方支付等金融模式，引起了相关部门重视的同时也带来了很多问题[1]。所以，为了保护投资者的合法利益，在管理风险时，常突出金融数据的“长尾特征”，寻找合理的方法进行风险测度，避免不必要的损失，让投资者更加放心大胆地投资，这对活跃金融市场有重要意义。

自从Sklar提出Copula理论后，该理论被应用到金融多变量相依性的度量和分析中，例如资本资产定价、金融风险管理、保险精算等方面，该理论不仅是一种定性与定量分析相结合的统计分析方法，还为金融决策提供理论支撑，对金融产品和市场进行刻画[2]。Copula模型在使用时不限制边缘分布[3]，可以应用到服从非正态分布的金融产品上，对于呈尖峰厚尾的时间序列数据，可以用GARCH模型拟合。因此，本文将Copula理论与GARCH模型相结合，以Copula-GARCH模型为基础，研究在不同投资组合下的VaR和CVaR值，投资人可以参考风险值，选择合适的投资组合，降低投资风险。

Copula函数在金融风险管理中主要应用在VaR测度和风险管理上，对于金融时间序列，收益率尖峰厚尾的特点容易造成极端事件的发生，金融资产尾部相依性的特点使极端情况发生的概率变大[4]。

二、 互联网金融市场风险的形成机理

互联网金融在短时间内经历了爆发式增长，给广大投资者带来巨大的利润，同时也带来了损失，由于互联网金融发展时间短，缺少系统的研究，而国内市场与国外又不完全相同，需要结合实际情况来控制金融风险[5]。市场风险作为常见的金融风险，它的预防和测度显得尤其重要，只有深入分析其形成机理，才能对市场风险有更深刻的了解，从而对症下药解决投资风险问题。互联网金融市场风险的形成机理有以下几点。

(一) 金融产品的长尾特征

互联网金融市场借助它的信息化，可以降低市场准入门槛，人力、物力的减少也让金融服务的价格得到了降低，金融服务边界的拓宽使金融产品具有长尾特征。同时长尾人群大多是工薪阶级，投资额较少，抗风险能力较弱，一旦出现投资损失对生活影响较大，可能引发社会动荡，对金融体系产生影响。服务人数多但收益少，监管成本大于收益，导致监管不力，市场风险形成的概率增大。

(二) 金融的信息化加剧了市场动荡

互联网金融顾名思义是通过线上进行交易，融资项目在网络平台数不胜数，投资者的选择范围也增多了，但是风险控制力度并没有加大，这就意味着风险的增加，互联网传播速度快，风险传播速度也随之加快。在互联网金融市场每天都有着众多的融资、并购活动，只要有一条链出现问题，与之相连接的其他产品都会受到影响，从而造成风险的发生。互联网金融对技术的要求有增加，比起传统金融有一定的创新性，这会导致一旦选择技术发生错误就会引起风险。

(三) 互联网金融的本质没有改变

形成市场风险的因素多种多样，不可能每一个风险因素都完全避开，需要把握住最基本的形成机理，掌握影响市场风险的决定性因素[6]，这样就可以根据原因提对策，避免风险的发生。本文根据市场风险测度的实证分析，提出了相应的对策，可以避免风险的发生。

三、 风险测度方法与模型机理分析

(一) VaR和CVaR的概述

VaR是指在金融市场正常运转下，给定置信水平，在可预见的未来，在确定资产组合下可能遭受的最大损失。VaR比较直观，但是仍存在缺点，当市场出现极端情况时风险难以预测。这就需要通过CVaR来计算风险值，CVaR对尾部风险控制效果较好，并且能刻画极端风险。本文利用蒙特卡罗模拟法，在Copula-GARCH模型基础上，求出不同组合下VaR和CVaR值，以此判断投资风险。

1. VaR方法

(1) 定义。VaR方法(Value at Risk，简称VaR)，于1993年提出，称为风险价值模型，是指在确定的置信水平下，在未来一定时期内，不同的金融产品在不同投资组合下的最大损失值。这些过程需要一个大环境[7]，那就是正常的金融市场，对处于正常波动下的金融市场，求得的VaR值对投资有很好的借鉴意义。根据J.P.Morgan的定义,在某个置信水平下，VaR指的是一段特定时间内,一种金融资产组合估计的最大亏损值。VaR技术是一种常见的风险测度方法，采用了数学思想和统计方法对金融风险进行测度，可用数学公式表示为：

prob{ΔP(Δt, Δx)≤-VaR}=α

(1)

其中，P表示投资组合，Δt表示持有期，x为风险因子,ΔP表示P在持有期内，在置信度(1-α)下市场价值的变化。

(2) MCMC算法。本文运用蒙特卡罗模拟法计算风险值，蒙特卡罗模拟法可以对金融产品未来的波动进行模拟，是一种随机模拟方法，蒙特卡罗模拟的基本步骤是：

2. CVaR方法

(1) 定义。由于VaR方法存在一些缺点， Uryasev和Rockafellar在2000年提出CVaR，也就是条件风险价值。CVaR的含义是在一定的置信水平下，给定投资持有的时间，在相同的置信度下，投资组合的损失超过VaR值的平均损失，可以表示为：

CVaRe(x)=E[f(x,r)|f(x,r)>VaRe(x)]

(2)

其中，f(x,r)表示投资组合的损失函数[10]。

(2) CVaR的优缺点。相比较而言，CVaR的优点更多。第一，CVaR可以很好地反映金融市场的小概率事件，当金融市场处于非正常波动时，能够给出投资组合的风险值，为投资者提供参考。第二，CVaR满足次可加性，对于数据较多的情况，可以给出最优解，符合一致性风险度量准则。第三，无论收益率是否服从正态分布，都可以用CVaR方法进行度量。当然CVaR也不是完美的，同样也依赖于历史数据，数据会影响到结果的准确性[11]。

(二) Copula-GARCH模型

Copula-GARCH模型是本文建模的核心思想，该模型可以很好地拟合金融序列，在此模型基础上，风险值的求解更精确，在金融风险测度中，有着更多的优势。

1. GARCH模型

由于金融时间序列多呈尖峰厚尾分布，所以选择模型时也要考虑到这一点，并且要明确残差的分布情况，常见分布有正态分布、t分布，本文默认残差服从t分布，对模型精确性没有显著影响，对于金融时间序列尖峰厚尾特征，GARCH模型可以进行更准确的描述[12]。

2. Copula函数

根据已知的GARCH模型，得到Copula边缘分布的残差序列，在此基础上运用欧氏最小距离法挑选出合适的Copula函数，便可以建立Copula-GARCH模型。在Copula-GARCH模型的基础上，计算VaR和CVaR，可以解决数据不服从正态分布的问题，提高风险测度的准确性[13]。

Nelsen于1999年给出了Copula函数的一个一般性定义，d维Copula函数C代表如下的多元函数：

(1)C:[0, 1]d→[0, 1]；

(2)C是单调递增函数；

(3)C(u1，…，uk-1, 0,uk+1，…，ud)=0且C=(1, 1，…，uk, 1, …，1)=uk。有u1，…，ud∈[0, 1][14]。

从上述表达式可知，C表示Copula函数，假设有d维随机变量(X1，X2，…，Xd)，其边缘分布函数为F1,F2，…，Fd，联合分布函数为F(x1,x2, …，xd)，可以推出d维随机变量的F(x1,x2, …，xd)，表达式如下：

F(x1,x2, …，xd)=C(F1(x1),F2(x2),…，Fd(xd))

(3)

3. 欧氏最小距离法

4. Copula-GARCH模型建模思想

Copula-GARCH模型由两部分连接而成，一部分是GARCH模型，另一部分就是Copula函数。使用VaR方法前，需要判断收益率是否满足正态性和线性的假设，针对数据的非正态性和非线性关系，以及金融数据的尖峰厚尾特征，可以建立Copula-GARCH模型拟合，为多元模型提供理论参考和实证应用[16]，也可以简化构建联合密度函数的过程。

建立Copula-GARCH模型有以下几个基本步骤。(1)确定边缘分布模型。金融时间序列呈尖峰厚尾状，具有波动性，为了更好地描述这些变量，通常建立GARCH模型。(2)把Copula和GARCH进行连接。根据收益率特征建立GARCH模型后，可以得到一组残差序列，这组残差序列便是Copula边缘分布的残差，在残差序列的基础上，进行Copula函数的选择。(3)确定Copula-GARCH模型。Copula函数有很多种类，本文选择二元t-Copula函数。这时选择的Copula已结合了GARCH模型，也就是最终的Copula-GARCH模型。根据本节对Copula函数的分析，及已知的GARCH模型，选择Copula函数连接起来，就可以建立适合自变量的Copula-GARCH模型，利用所建立的模型测度风险，更适合金融时间序列，风险值也更准确[17]。

四、 互联网金融市场风险实证分析

(一) 样本的选择和平稳性检验

选择华夏现金增利货币B(001374)和广发货币B(270014)的七日年化收益率作为分析对象，7日年化收益率就是对基金最近7天收益率的平均值进行年化以后得到的数据。在货币型基金中其创建时间较早规模较大[18]，属于热门货币基金，具有较强的代表性。收集这两个基金于2017年12月1日至2019年12月1日两年的七日年化收益率共1448个数据，数据来源于天天基金数据库。

1. 原序列平稳性检验

进行时间序列的模拟，首先要判断收益率是否平稳，只有在平稳收益率的基础上才能做后面的分析[19]。观测两个货币基金的收益率序列图，判断其是否为平稳序列，主要看波动大小以及走势。x1、x2分别代表华夏现金增利货币B和广发货币B的收益率序列。

图1 华夏现金增利货币B收益率序列

图2 广发货币B收益率序列

图1和图2的横轴代表时间，纵轴代表基金的七日年化收益率，根据时间序列图可以看出两个货币基金的收益率随着时间的推移呈下降趋势，初步判断x1、x2具有时变性，存在趋势项，没有围绕均值上下波动。观察图1，发现较于广发货币B，华夏现金增利货币B的波动性更大，两组基金都是非平稳时间序列。

2. 建立平稳时间序列

由以上分析结果，可以看出两支基金的收益率均为非平稳性时间序列，需要把数据平稳化，在平稳数据上建模。所以接下来用Eviews软件对序列进行一阶差分，观察差分后的序列是否平稳[20]。

表1 一阶差分后x1单位根检验

表2 一阶差分后x2单位根检验

从表1可以看出一阶差分后x1的ADF检验值为-11.287，P值为0小于0.05，ADF检验结果在1%、5%、10%的显著性水平下都小于临界值，拒绝原假设，时间序列平稳，将差分后的华夏现金增利货币B的收益率序列标为dx1。

通过表2可以得出一阶差分后x2的ADF检验值为-7.966，P值为0小于0.05，ADF检验结果在1%、5%、10%的显著性水平下都小于临界值，拒绝原假设，时间序列平稳，将差分后的广发货币B收益率序列标为dx2。差分后两个货币基金的收益率时间趋势如图3和图4所示。

若时间序列是平稳的，表现在序列图上就是图形围绕均值上下波动，随着时间推移没有明显的升降趋势[21]。通过观察图3和图4，可以看出收益率大致围绕均值波动，且并未有明显的时变性，结合ADF值，可以认定dx1和dx2的序列是平稳的，后面的分析与建模用差分后的平稳数据[22]。

图3 dx1序列

图4 dx2序列

(二) 数据的描述性统计特征分析

表3 基金数据统计特征

对数据平稳性进行分析后，用Eviews软件对华夏现金增利货币B和广发货币B进行主要的统计特征分析，结果如表3。

从表3可以看出，华夏现金增利货币B的平均七日年化收益率大于广发货币B，从方差上看华夏现金增利货币B的波动性比广发货币B的波动性大，广发货币B更加平稳，两种货币基金的最大值与最小值的差距不大，与广发货币B的中位数相比，华夏现金增利货币B的中位数更大[23]。华夏现金增利货币B的偏度小于0，呈左偏分布，广发货币B偏度大于0，呈右偏分布，两个货币基金的峰度较大，初步判断呈尖峰分布。

(三) 正态性检验

dx1和dx2表示经过一阶差分后华夏现金增利货币B和广发货币B的七日年化收益率，是两个随机变量，选择合适的Copula-GARCH模型要确定dx1、dx2所服从的分布。在过去的研究中[24]，使用 GARCH模型之前要拟合收益率的波动特征，多假定服从正态分布，而金融时间序列大多有非正态性的特点，为了更加准确的对华夏现金增利货币B和广发货币B的收益率进行拟合，需进行正态性检验。用Eviews软件做出它们的频率直方图。

图5 华夏现金增利货币B dx1收益率

图6 广发货币B dx2收益率

通过综合直方图以及数据的描述性统计分析，可以看出两种基金基本上是呈对称分布的，且直方图有尖峰的状态，并伴有厚尾的特征，同时可以初步判断dx1和dx2不服从正态分布。为了进一步判断dx1、dx2的分布特征，我们用Eviews软件对dx1、dx2绘制正态Q-Q图，结果如图7和图8所示。

图7 华夏现金增利货币B正态Q-Q图

图8 广发货币B正态Q-Q图

由图7和图8可以看出，对于华夏现金增利货币B来说，Q-Q图右上方向下弯曲，左下方向上抬起，表明了其上下尾部都高于正态分布的尾部，大体上呈S型。对于广发货币B，它的Q-Q图同华夏现金增利货币B大致相同，也呈S型。可以很明显看出华夏现金增利货币B和广发货币B两组收益率的Q-Q图两端都偏离直线，两个收益率数据的Q-Q图都偏离标准正态分布的Q-Q图，呈S型分布，表明散点图对于直线y=x的拟合效果不好。

(四) ARCH效应检验

ARMA序列假设的是方差不随时间的变化而变化，但是这不一定与收益率的实际情况相符合，因此可以利用WHITE检验法，判断数据是否存在ARCH效应，若有，则要建立GARCH模型。首先用Eviews软件对华夏现金增利货币B和广发货币B的自相关和偏自相关函数进行检验，自相关和偏自相关图分别如图9和图10 所示。

观察图9和图10，测试数据逐渐收敛到接受区，并非全部落在接受区，这说明序列数据存在截尾[25]。可见华夏现金增利货币B和广发货币B具有自相关和偏自相关性。同时通过观察华夏现金增利货币B和广发货币B的时间序列图(图3和图4)，发现它们不同时间段波动的大小不同，有的时间段波动大，有的时间段波动小，说明波动具有聚集性。通过华夏现金增利货币B和广发货币B的自相关和偏自相关图[26]，初步给华夏现金增利货币B建立MA(1)模型，给广发货币B建立ARMA(2,3)模型，进一步检验两个货币基金是否存在异方差性，下面直接用Eviews软件对建立好的均值模型进行ARCH效应检验。结果如表4所示。

图9 华夏现金增利货币B的ACF和PACF

图10 广发货币B的ACF和PACF

表4 货币基金ARCH效应检验结果

在置信度为0.05的条件下，经过WHITE检验后两个货币基金的P值均小于0.05，所以拒绝不存在异方差性的原假设，两股货币基金都具有异方差性，需要用建立GARCH模型来降低异方差性[27]。通过以上平稳性、正态性、条件异方差性检验后，得到华夏现金增利货币B和广发货币B服从非正态分布，具有尖峰厚尾的特征，具有条件异方差性。下面选择合适的GARCH模型来对收益率序列进行拟合，以减少条件异方差性[28]。

(五) 边缘分布的模拟

为了弥补各个序列的异方差性，使用 GARCH 模型对数据进行刻画，这部分利用R软件对两个货币基金进行分布参数估计，分别选择了MA(1)和ARMA(2,3)模型，这与上一部分选择的模型一致，华夏现金增利货币B和广发货币B模型建立结果如表5所示。

由于数据具有条件异方差性，所以根据已有的ARMA模型建立GARCH(1,1)模型，参数估计结果如表6所示。

表5 ARCH均值方程参数估计结果

表6 GARCH(1,1)模型参数估计结果

为了判断两组基金的系数是否显著，对均值和方差方程有没有影响，利用Eviews软件给出了均值和方差方程各项系数的详细情况，输出结果如表7和表8所示。

表7 dx1的GARCH模型

表8 dx2的GARCH模型

从表7和表8来看，参数的P值均小于0.05，在5%的置信度下拒绝参数不显著的原假设，说明这几项都是显著的，所以可以选取这个模型。广发货币B的MA(3)项P值大于0.05，所以该项不显著，直接剔除，建立模型。根据表7，华夏现金增利货币B的均值函数和条件方差函数分别为：

(4)

根据表8，广发货币B的均值函数和条件方差函数分别为：

(5)

(六) 建立Copula-GARCH模型

1. 连接GARCH模型

本文的收益率序列不服从正态分布，这与众多文献在默认序列服从正态分布的基础上计算VaR和CVaR的研究不符，所以需要引入Copula函数。根据Copula理论可以知道，Copula-GARCH模型中每个变量的条件边缘分布可以用服从正态分布假设的GARCH、GARCH-t或GARCH-Gumbel模型中的任意一个来描述。同一个Copula-GARCH模型中可以是无限的、相同的或不同的条件边缘分布。前述确定了合适的GARCH模型，即 Copula 函数边缘分布的残差序列，把残差序列作为自变量，在残差序列的基础上选择一种合适的Copula函数，这便连接了GARCH模型，最终得到的就是本文所需的Copula-GARCH模型。

2. Copula函数的选取及评价

令X为华夏现金增利货币B，其边缘分布为U=F(x),Y代表广发货币B，其边缘分布函数为V=G(x)，为了选择合适的Copula度量华夏现金增利货币B和广发货币B的相依性，用Matlab软件分别绘制出华夏现金增利货币B和广发货币B的二元频数直方图[29](图11)和频率直方图(图12)。

图11 二元频数直方图

图12 频率直方图

频率直方图纵轴代表频数，观察两个图，发现图的中部是凹陷的，两边是凸起的，并且有一个相对对称的尾部。也就是说联合分布函数(U,V)即Copula密度函数具有对称的尾部，根据Copula函数图形特征，可以初步确定选择二元正态Copula函数或者t-Copula函数。用Matlab软件进行画图，二元正态Copula函数的密度函数和分布函数如图13和14所示。二元t-Copula函数的密度函数和分布函数如图15和图16所示。

图13 二元正态Copula密度函数

图14 二元正态Copula分布函数

图15 二元t-Copula密度函数

图16 二元t-Copula分布函数

可以看出两组Copula函数的密度函数图和分布函数图都有对称的尾部特征，二元t-Copula具有较厚的尾部，中间凹进去前后对称，对随机变量尾部的变化很敏感，能够捕捉到随机变量尾部的对称相关。二元正态Copula函数也具有较厚的尾部，并且尾部渐近独立的二维随机向量。两个函数的分布函数图都呈锥形，很难通过图形选择一种最合适的Copula函数，所以需要进一步用准确数字化信息来明确选择哪种Copula函数，需要用上文介绍的选择Copula函数的方法，本文利用欧氏最小距离法选择合适的Copula函数，首先要给出相关系数的估计，再计算欧氏最小距离，利用Matlab软件计算出两种函数的参数值，结果如表9所示。

表9 两种Copula函数参数值

表10 二元正态Copula函数和二元t-Copula的相关系数

二元正态Copula函数和二元t-Copula函数的参数值分别为0.998和0.997，二元t-Copula函数的自由度为9.4144，根据参数值可以求出欧氏最小距离。为了检验两种Copula函数是否合适，利用Matlab软件求得二元正态Copula函数和二元t-Copula函数的Kendall系数与Spearman系数，结果如表10所示。

Kendall系数与Spearman系数是检验模型好坏的重要标准，从表10可以看出收益率的二元正态Copula函数和二元t-Copula函数的Kendall系数与Spearman系数都接近1，并且Kendall系数与Spearman系数很接近，说明两个Copula函数可以很好地拟合华夏现金增利货币B和广发货币B的收益率。为了选出更好的Copula函数，根据相关参数值，利用Matlab软件分别计算出两个Copula函数与经验Copula函数的欧氏距离，结果如表11所示。

表11 欧氏最小距离

从表11可以得到，经验Copula函数与二元正态Copula函数的欧氏距离为0.0153，二元t-Copula函数与经验Copula函数的欧氏距离为0.0121，根据欧氏最小距离法，我们选择欧氏距离较小的二元t-Copula函数拟合华夏现金增利货币B和广发货币B的七日年化收益率数据。连接了GARCH模型的二元t-Copula函数，就是求风险值所需的Copula-GARCH模型。

(七) 互联网金融风险的测度

上文已经拟合了华夏现金增利货币B和广发货币B资产组合的Copula-GARCH模型，接下来预测不同投资组合未来一段时间内的最大损失值，利用蒙特卡罗模拟法计算出两个资产组合的VaR和CVaR值，以货币基金收益率为自变量，求出因变量即风险值。上文已经得出边缘分布函数和Copula函数,然后在Matlab中运用蒙特卡罗模拟法运行5000次模拟产生随机数值, 选择95%的置信水平，对不同投资组合比例进行运算[30]。

假设投资者在华夏现金增利货币B和广发货币B之间进行投资，假设有五种不同投资比例的组合分别为：0.5∶0.5、0.7∶0.3、0.4∶0.6、0.2∶0.8、0.6∶0.4，分别记为组合A、组合B、组合C、组合D、组合E，其实证结果如表12所示。

由实证分析可知，在95%的置信水平下，当华夏现金增利货币B与广发货币B 的投资比例为0.7∶0.3时，VaR值最小，为0.0705，即有95%的把握认为投资组合风险值为0.0705，风险价值最小。同时CVaR也最小，为0.1056，即当把握小于5%时，认为条件风险价值为0.1056，条件风险价值最小。所以应该选择华夏现金增利货币B与广发货币B 投资比例为0.7∶0.3的投资组合，风险价值与条件风险价值均最小。在不同的投资组合中，CVaR值始终大于VaR值，可见CVaR的计算结果比VaR保守，解决了不同尾部分布的投资组合之间的风险比较问题。

通过表12还可以发现，对于VaR值和CVaR值，它们对于不同投资组合的反映程度也是不同的，VaR对于基金权重的变化没有CVaR敏感，当华夏现金增利货币B的权重从0.2增加到0.7时，VaR的减少率为37.67%，CVaR的减少率为39.38%。所以在极端的金融市场情况下，比起正常的金融市场，金融风险管理更为重要，不能忽视金融市场中的小概率事件，需要合理选择投资组合降低风险。

表12 不同投资组合的风险值

五、 防范互联网金融风险的对策

(一) 重视小概率事件风险

根据本文的实证分析结果，发现条件风险价值比风险价值更加保守，对不同投资组合的反应也更为敏感，所以要重视CVaR值，也就是在小概率情况下的风险值。在金融市场中，存在着许多小概率事件，忽视小概率事件会导致严重后果，如俄罗斯国债大幅度贬值是影响较大的“黑天鹅“事件。小概率事件无法用概率衡量，政策的调整、投资者情绪的变化都无法预测，但是这些都影响着金融市场的走势，即使有95%赢的把握，也会有5%输的概率，5%意外发生的概率不容忽视。

(二) 不同的金融投资要有侧重

不同的金融资产对风险的影响不同，有时候风险随着对某种金融产品投资的增加而增加，而有时会随着对另一种金融产品投资的增加而减少，这就需要选择合适的投资组合来降低风险。这可能和产品的收益率、波动率、资金规模、投资人数有关，如果一种金融产品具有较高的收益，那么其可能具有较高的风险，波动性比较大的产品风险也会增大，资金规模大、投资人数多的产品一般来说风险较低，这需要投资者进行权衡。

(三) 加强技术研发和统计研究

本文利用Copula-GARCH模型计算出了不同投资组合下的风险，为投资者的决策提供依据，在一定程度上减少了互联网金融风险。所以我们应该加强互联网金融风险的统计学习和研究，各高校可以在相关专业开设时间序列和统计软件操作等课程，培养学生的建模能力。全国也应该举行统计类的比赛，学校应鼓励学生参与，提高建模思想和数学水平，并且鼓励学生参与控制风险类的项目，创新建模方式。加强对统计学和金融学人才的培养和相互联系，统计学可以开设金融学相关的课程，金融学也可以贯通统计学知识，两门学科融会贯通，金融和统计知识的结合能够对互联网风险的研究与防范做出重大贡献。