Expected Shortfall Panel Regression
预期损失面板回归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：摘要以预期损失衡量尾部风险，采用潜在因子结构，并明确讨论所提取因子的资产定价信息。
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…
预期损失面板回归
- 研究问题
- 存在横截面与时间依赖时，如何对面板数据的条件预期损失进行回归建模？作者研究潜在因子如何刻画共同尾部依赖及其风险信息。
- 方法与思路
- 作者先估计条件分位数，再迭代估计带潜在因子的预期损失模型，以两阶段程序处理厚尾误差，并分析两阶段误差与正态近似。
- 材料陈述的贡献
- 摘要称，方法具有一致性、渐近正态性及非渐近误差界，并提供非渐近正态近似；实证中提取的尾部因子包含不同于均值因子的定价信息。
- 阅读关注点
- 应核对尾部矩条件、因子识别与维度增长要求，检查首阶段误差如何传入第二阶段，以及定价信息比较的模型设定和评价标准。
- 阅读边界
- 这是 arXiv 预印本，不能据此确认同行评审或期刊接收。摘要未说明尾部条件、误差界常数及定价检验设计，不能确认任意厚尾下均有效。
原文摘要
Expected Shortfall (ES) is a coherent measure of tail risk that captures the average loss beyond a quantile threshold. Despite the growing literature on ES regression conditional on covariates, no existing work considers ES modeling in panel data settings where both cross-sectional and temporal dependencies are present. This paper introduces the panel ES regression model with a latent factor structure to capture cross-sectional dependence. We develop a two-stage estimation procedure robust to heavy-tailed errors, recovering the conditional quantile in the first stage and iteratively estimating the ES factor model in the second stage. Theoretically, we establish the consistency and asymptotic normality of the proposed two-step ES estimators and derive non-asymptotic error bounds for both the panel quantile and ES estimators. We also provide a non-asymptotic normal approximation for the standardized ES regression estimator, bridging asymptotic theory and finite-sample practice. Simulation evidence shows that the proposed method delivers substantial gains in both parameter estimation and factor recovery, particularly in the presence of latent tail dependence. An empirical application further indicates that the extracted ES factors carry distinct pricing information that is not captured by conventional mean or quantile-based approaches.