Backtesting Systemic Risk Forecasts Using Multi-Objective Elicitability
利用多目标可诱导性回测系统性风险预测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 CoVaR、CoES 和 MES 等系统性风险度量的预测验证为核心，直接对应尾部与系统性风险。
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
利用多目标可诱导性回测系统性风险预测
- 研究问题
- 当 CoVaR、CoES 和 MES 缺乏通常意义下的可诱导性与可识别性时，如何比较并验证系统性风险预测？
- 方法与思路
- 作者引入多目标可诱导性，以字典序比较二元评分，构造 Diebold–Mariano 型检验，并用交通灯方式展示判断。
- 材料陈述的贡献
- 摘要称该框架解决上述风险度量的预测比较难题，并通过 DAX 30 与标普 500 收益数据展示回测应用。
- 阅读关注点
- 应核对不可诱导性结论的适用框架、二元评分与字典序的定义、比较检验的依赖条件，以及交通灯决策的误差控制。
- 阅读边界
- 仅据所给 OpenAlex 版本摘要解读；摘要未说明评分公式和检验条件，不能将其不可能性陈述推广到所有回测或推断刊本变化。
原文摘要
Systemic risk measures such as CoVaR, CoES, and MES are widely-used in finance, macroeconomics and by regulatory bodies. Despite their importance, we show that they fail to be elicitable and identifiable. This renders forecast comparison and validation, commonly summarized as “backtesting,” impossible. The novel notion of multi-objective elicitability solves this problem by relying on bivariate scores equipped with the lexicographic order. Based on this concept, we propose Diebold–Mariano type tests with suitable bivariate scores to compare systemic risk forecasts. We illustrate the test decisions by an easy-to-apply traffic-light approach. Finally, we apply our traffic-light approach to DAX 30 and S&P 500 returns, and infer some recommendations for regulators.