Heavy Tails and Predictive Ability Testing
厚尾与预测能力检验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：摘要研究依赖时间序列中的预测准确性检验，并将方法应用于新兴市场汇率风险预测。
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…
厚尾与预测能力检验
- 研究问题
- 当预测误差导致损失差具有无限方差时，常用预测准确性比较检验如何失真，又如何构造适合厚尾情形的推断？
- 方法与思路
- 作者建立强混合无限方差时间序列的稳定极限定理，推导Diebold–Mariano统计量的非标准极限，并采用子抽样推断。
- 材料陈述的贡献
- 摘要称常规临界值可能严重扭曲检验尺寸，子抽样无需估计长期方差或尾指数；新兴市场汇率风险预测的比较结论也会改变。
- 阅读关注点
- 应核对尾部与混合条件、稳定极限的具体形式、子样本长度选择，以及极端尺寸扭曲对应的模拟设计和损失函数。
- 阅读边界
- 这是预印本，不能据此认定已同行评审或期刊接收；摘要中的极端拒绝率有情境限制，厚尾稳健性仍需核对理论条件。
原文摘要
We study the asymptotic behaviour of widely used tests for evaluating and comparing predictive accuracy when forecast errors exhibit heavy tails. In particular, when loss differentials have infinite variance, the Diebold-Mariano test statistic converges to a nonstandard limit involving non-Gaussian stable random variables. As a consequence, conventional critical values can yield severely distorted inference: a nominal 5$\%$ test may reject a true null as often as 70$\%$ of the time. To establish these results, we develop a new stable limit theorem for strongly mixing, infinite-variance time series processes. Building on this theory, we consider sub-sampling-based inference that remains valid irrespective of tail-heaviness and requires no estimation of long-run variances or tail indices. An application to risk forecasts for emerging-market exchange rates shows that accounting for heavy tails can substantially alter conclusions about predictive performance relative to standard procedures.