Extreme-quantile tracking for financial time series
金融时间序列的极端分位数跟踪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：摘要以金融序列的极端分位数和条件风险为目标，并明确建模时变波动。
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…
金融时间序列的极端分位数跟踪
- 研究问题
- 面对金融资产序列的重尾、波动聚集和不规则状态变化，如何在平稳假设可能失效时跟踪极端分位数与条件风险？
- 方法与思路
- 作者对极值理论中的超阈值方法作非参数扩展，以适应时变波动，并用次贷危机期间的瑞银股价开展回测。
- 材料陈述的贡献
- 摘要称，该方法可用于平稳及非平稳序列的条件风险度量估计，并以危机期间的股票价格回测展示其应用。
- 阅读关注点
- 应核对阈值和局部估计规则、允许的非平稳形式、极值近似条件，以及回测指标、比较方法和参数选择过程。
- 阅读边界
- 所给出版社摘要未说明风险度量的具体形式、回测结果或适用条件，单一危机案例不能确立对其他资产的有效性。
原文摘要
Time series of financial asset values exhibit well-known statistical features such as heavy tails and volatility clustering. We propose a nonparametric extension of the classical Peaks-Over-Threshold method from extreme value theory to fit the time varying volatility in situations where the stationarity assumption may be violated by erratic changes of regime, say. As a result, we provide a method for estimating conditional risk measures applicable to both stationary and nonstationary series. A backtesting study for the UBS share price over the subprime crisis exemplifies our approach.