Forecasting Value at Risk and Expected Shortfall Using a Semiparametric Approach Based on the Asymmetric Laplace Distribution
基于非对称拉普拉斯分布的半参数VaR与ES预测AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要以VaR和ES的联合预测及评价为核心，直接涉及收益分布尾部的金融风险度量，对应尾部与系统性风险方向。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
基于非对称拉普拉斯分布的半参数VaR与ES预测
- 研究问题
- 如何在分位数回归产生VaR预测的同时获得相应ES预测，并在无需指定收益分布的框架下，对这两项尾部风险指标联合估计和评价？
- 方法与思路
- 作者利用分位数回归与非对称拉普拉斯似然的等价关系，使尺度随时间变化以估计条件ES，并通过该似然联合估计VaR与ES。
- 材料陈述的贡献
- 摘要称该框架无需假定收益服从非对称拉普拉斯分布，且其对数似然可作为VaR与ES联合预测的严格一致评价准则。
- 阅读关注点
- 核对时变尺度与条件ES的关系、联合评价严格一致的条件，以及股指应用中模型设定、样本划分和预测比较的依据。
- 阅读边界
- 摘要未给出尾部概率、动态规格及股指预测的数值结果；严格一致性支持评价目标，不能据此断言任何模型具有预测优势。
原文摘要
Value at Risk (VaR) forecasts can be produced from conditional autoregressive VaR models, estimated using quantile regression. Quantile modeling avoids a distributional assumption, and allows the dynamics of the quantiles to differ for each probability level. However, by focusing on a quantile, these models provide no information regarding expected shortfall (ES), which is the expectation of the exceedances beyond the quantile. We introduce a method for predicting ES corresponding to VaR forecasts produced by quantile regression models. It is well known that quantile regression is equivalent to maximum likelihood based on an asymmetric Laplace (AL) density. We allow the density's scale to be time-varying, and show that it can be used to estimate conditional ES. This enables a joint model of conditional VaR and ES to be estimated by maximizing an AL log-likelihood. Although this estimation framework uses an AL density, it does not rely on an assumption for the returns distribution. We also use the AL log-likelihood for forecast evaluation, and show that it is strictly consistent for the joint evaluation of VaR and ES. Empirical illustration is provided using stock index data. Supplementary materials for this article are available online.