Robust econometrics for growth-at-risk
增长风险的稳健计量方法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：摘要围绕增长风险尾部估计与长期增长预测，并以预测精度评价方法。
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
增长风险的稳健计量方法
- 研究问题
- 现有增长风险方法隐含恒定 Pareto 指数时，如何更稳健地估计增长分布尾部，并改善长期预测及对金融异常的刻画？
- 方法与思路
- 作者针对恒定 Pareto 指数假设提出新的增长风险尾部估计框架，以理论分析论证有效性，并通过模拟和长期增长风险分析评价表现。
- 材料陈述的贡献
- 摘要称，新方法具有理论有效性，模拟预测精度持续优于所比较方案，长期分析也更好地捕捉金融异常；具体幅度未给出。
- 阅读关注点
- 应核对 Pareto 指数如何建模、稳健性的具体含义和理论条件，并检查预测评价指标、比较基准、预测期及样本外验证设计。
- 阅读边界
- 仅据所给 OpenAlex 摘要，估计公式、数据与性能数值均未说明；作者的优势陈述尚不能据此推广，也不能推断刊本变化。
原文摘要
The Growth-at-Risk (GaR) framework has garnered attention in recent econometric literature, yet current approaches implicitly assume a constant Pareto exponent. We introduce novel and robust econometrics to estimate the tails of GaR based on a rigorous theoretical framework and establish validity and effectiveness. Simulations demonstrate consistent outperformance relative to existing alternatives in terms of predictive accuracy. We perform a long-term GaR analysis that provides accurate and insightful predictions, effectively capturing financial anomalies better than current methods.