Market-Informed Networks for Modeling and Forecast Evaluation of Financial Extremes
利用市场信息网络建模并评估金融极端事件预测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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要直接研究金融联合极端分布，并以一分钟股票收益开展预测评估，对应尾部风险与高频计量。
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…
利用市场信息网络建模并评估金融极端事件预测
- 研究问题
- 高维金融序列中的极端观测稀少，且局部极端未必是边际分布极端时，如何利用市场关联信息改善联合尾部建模？
- 方法与思路
- 作者构造时变网络Hüsler–Reiss模型，以市场信息邻接矩阵调整观测的估计贡献，并设计结合联合极端历史的JEAM矩阵。
- 材料陈述的贡献
- 摘要报告，在标普100三个行业的一分钟收益样本中，JEAM的样本外对数评分最佳，并列出上下尾评分改善幅度。
- 阅读关注点
- 应核对极端阈值、邻接矩阵的构造和更新、训练与评估时点划分，以及对数评分改善的基准、定义和不确定性。
- 阅读边界
- 这是arXiv预印本，同行评审或接收未核实；摘要中的改善来自指定样本与评分，未说明显著性或跨市场外推表现。
原文摘要
Modeling the joint distribution of extreme values in high-dimensional financial time series is challenging because extremes are sparse and locally extreme observations are not necessarily extreme relative to their full marginal distribution. To address this, we introduce a time-dependent network Hüsler-Reiss model in which market-informed adjacency matrices determine how strongly observations contribute to the estimation. We propose binary and weighted specifications, including the Joint Extremes Adjacency Matrix (JEAM) which combines information about individual extremeness with historical patterns of joint extreme movements. In the forecasting evaluation part, covering one-minute stock returns from three sectors of the S&P 100, JEAM achieves the best out-of-sample log scores for both tail directions; improving scores by 12.5-13.6% in the lower tail and 11.4-14.9% in the upper tail. The results show that incorporating market-informed network structures in the estimation, improves forecast evaluation of extremes across time series.