Evaluating Value-at-Risk Models via Quantile Regression
通过分位数回归评估风险价值模型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：摘要直接讨论风险价值模型回测、超损事件与风险敞口上升时期，研究目标明确对应金融尾部风险的评估。
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…
通过分位数回归评估风险价值模型
- 研究问题
- 如何评估风险价值分位数模型的有限样本表现，并避免只使用是否发生超损事件的信息损失，同时识别风险敞口上升的时期？
- 方法与思路
- 作者提出不只依赖超损指示变量的新回测，并利用分位数回归识别风险敞口上升时期，以蒙特卡洛模拟和标普500日度序列佐证理论分析。
- 材料陈述的贡献
- 摘要称新回测给出评估分位数模型有限样本表现的充分条件，并可识别风险敞口上升时期，模拟与日度标普500应用支持理论分析。
- 阅读关注点
- 核对充分条件的准确命题、分位数回归中的检验对象与非二元信息来源，并检查模拟和日度应用中风险时期的识别方式。
- 阅读边界
- 摘要未交代充分条件所需假设、检验大小和功效的数值结果；不能仅凭摘要认定该回测在所有样本与风险模型中占优。
原文摘要
This article is concerned with evaluating Value-at-Risk estimates. It is well known that using only binary variables, such as whether or not there was an exception, sacrifices too much information. However, most of the specification tests (also called backtests) available in the literature, such as Christoffersen (1998) and Engle and Manganelli (2004) are based on such variables. In this article we propose a new backtest that does not rely solely on binary variables. It is shown that the new backtest provides a sufficient condition to assess the finite sample performance of a quantile model whereas the existing ones do not. The proposed methodology allows us to identify periods of an increased risk exposure based on a quantile regression model (Koenker and Xiao 2002). Our theoretical findings are corroborated through a Monte Carlo simulation and an empirical exercise with daily S&P500 time series.