VAR for VaR: Measuring tail dependence using multivariate regression quantiles
用于 VaR 的 VAR：以多元回归分位数衡量尾部依赖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：摘要直接分析 VaR、金融机构尾部风险和风险溢出，并采用 VAR 式动态模型与分位数脉冲响应。
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…
用于 VaR 的 VAR：以多元回归分位数衡量尾部依赖
- 研究问题
- 研究多个变量、分位水平和分位数滞后之间的动态关系，并用该框架分析市场指数与金融机构之间的在险价值溢出。
- 方法与思路
- 作者提出多元多分位数模型的估计与推断方法，将其视为分位数模型的 VAR 扩展，并用股票收益构造分位数脉冲响应。
- 材料陈述的贡献
- 摘要称该框架容纳多变量、多分位水平与多滞后；全球 230 家机构的应用显示，大型高杠杆机构的长期风险对市场冲击敏感。
- 阅读关注点
- 应核对分位数动态的设定、脉冲响应中冲击的定义和识别，以及金融困境状态、机构规模与杠杆的比较方式。
- 阅读边界
- 摘要未说明冲击识别假设、样本时期或效应数值；分位数响应与风险溢出的结果不能仅凭摘要解释为因果传染。
原文摘要
This paper proposes methods for estimation and inference in multivariate, multi-quantile models. The theory can simultaneously accommodate models with multiple random variables, multiple confidence levels, and multiple lags of the associated quantiles. The proposed framework can be conveniently thought of as a vector autoregressive (VAR) extension to quantile models. We estimate a simple version of the model using market equity returns data to analyze spillovers in the values at risk (VaR) between a market index and financial institutions. We construct impulse-response functions for the quantiles of a sample of 230 financial institutions around the world and study how financial institution-specific and system-wide shocks are absorbed by the system. We show how the long-run risk of the largest and most leveraged financial institutions is very sensitive to market wide shocks in situations of financial distress, suggesting that our methodology can prove a valuable addition to the traditional toolkit of policy makers and supervisors.