Multivariate dynamic intensity peaks‐over‐threshold models
多元动态强度超阈值模型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：摘要直接建模多元收益的极端事件，并以风险价值和预期短缺回测评价预测表现，明确对应金融尾部风险方向。
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
多元动态强度超阈值模型
- 研究问题
- 多元股票收益中极端事件的发生与幅度如何随时间聚集并相互反馈，纳入这些动态结构能否改善风险价值与预期短缺预测？
- 方法与思路
- 作者以多元动态强度模型描述极端事件的随机发生，以自回归乘法误差模型描述极值幅度的时间聚集，并应用于三个主要股指的日收益。
- 材料陈述的贡献
- 摘要称日收益应用支持极端事件发生与幅度均存在时间聚集；VaR和ES回测显示，纳入聚集及幅度与强度反馈可改善风险预测。
- 阅读关注点
- 应核对超阈值定义、阈值选择、强度与幅度反馈的参数化及多元依赖处理，并检查VaR和ES回测的样本安排、基准模型与检验标准。
- 阅读边界
- 摘要未说明阈值选择、跨市场依赖设定、样本划分及回测统计量；不能据此判断结果在其他市场、不同尾部概率或危机时期是否稳健。
原文摘要
Summary We propose a multivariate dynamic intensity peaks‐over‐threshold model to capture extremes in multivariate return processes. The random occurrence of extremes is modeled by a multivariate dynamic intensity model, while temporal clustering of their size is captured by an autoregressive multiplicative error model. Applying the model to daily returns of three major stock indexes yields strong empirical support for a temporal clustering of both the occurrence and the size of extremes. Backtesting value‐at‐risk and expected shortfall forecasts shows that the consideration of clustering effects and of feedback between the magnitudes and the intensity of extremes results in better forecasts of risk.