Nonparametric Value-at-Risk via Sieve Estimation
通过筛估计进行非参数风险价值估计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：摘要明确以不同规模投资组合的风险价值估计作为金融应用。
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
通过筛估计进行非参数风险价值估计
- 研究问题
- 神经网络在金融时间序列预测中何时可能优于传统方法，如何从收敛理论与有限样本证据判断其风险价值估计表现？
- 方法与思路
- 作者提出灵活的非参数模型，将收敛率理论扩展至 ReLU 激活函数，与其他非参数估计量比较，并开展模拟和组合应用。
- 材料陈述的贡献
- 摘要称给出了包含 ReLU 的收敛率扩展，以蒙特卡洛研究提供有限样本指导，并展示不同规模投资组合的风险价值估计。
- 阅读关注点
- 核对筛空间、网络规模及调参规则，检查时间依赖下收敛率成立的条件，以及风险价值的目标水平和预测评估方式。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未给具体收敛率、优胜情形或回测数值，不能认定神经网络必然更好。
原文摘要
Artificial Neural Networks (ANN) have been employed for a range of modelling and prediction tasks using financial data. However, evidence on their predictive performance, especially for time-series data, has been mixed. Whereas some applications find that ANNs provide better forecasts than more traditional estimation techniques, others find that they barely outperform basic benchmarks. The present article aims to provide guidance as to when the use of ANNs might result in better results in a general setting. We propose a flexible nonparametric model and extend existing theoretical results for the rate of convergence to include the popular Rectified Linear Unit (ReLU) activation function and compare the rate to other nonparametric estimators. Finite sample properties are then studied with the help of Monte-Carlo simulations to provide further guidance. An application to estimate the Value-at-Risk of portfolios of varying sizes is also considered to show the practical implications.