How to Compare Copula Forecasts?
如何比较 Copula 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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要主要研究一般 copula 预测评价；股指应用未明确涉及收益预测、尾部风险或其他所列细分目标。
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
如何比较 Copula 预测？
- 研究问题
- 当联合分布由边际分布与 copula 共同描述时，如何合理比较 copula 预测，并区分预测表现来自依赖结构还是边际分布？
- 方法与思路
- 作者从严格一致评分出发，讨论 copula 的可诱导性；在固定边际分布时构造评分，并提出联合评价边际与 copula 的多目标评分。
- 材料陈述的贡献
- 摘要称一般 copula 不具可诱导性，固定边际的 Fréchet 类是例外；提出的两步预测能力检验可区分排名的不同来源。
- 阅读关注点
- 应核对不可诱导性结论的适用范围、固定边际的作用、多目标评分的比较规则，以及两步检验如何控制错误并解释排名。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收均未核实；摘要未给出评分公式和检验条件，模拟表现与股指应用尚需全文核对。
原文摘要
This paper lays out a principled approach to compare copula forecasts via strictly consistent scores. We first establish the negative result that, in general, copulas fail to be elicitable, implying that copula predictions cannot sensibly be compared on their own. A notable exception is on Fréchet classes, that is, when the marginal distribution structure is given and fixed, in which case we give suitable scores for the copula forecast comparison. As a remedy for the general non-elicitability of copulas, we establish novel multi-objective scores for copula forecast along with marginal forecasts. They give rise to two-step tests of equal or superior predictive ability which admit attribution of the forecast ranking to the accuracy of the copulas or the marginals. Simulations show that our two-step tests work well in terms of size and power. We illustrate our new methodology via an empirical example using copula forecasts for international stock market indices.