Quantile graphical models: Prediction and conditional independence with applications to systemic risk
分位数图模型：预测、条件独立与系统性风险应用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：摘要直接研究分位数依赖、尾部关联以及系统性风险与下行市场中的收益关系。
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…
分位数图模型：预测、条件独立与系统性风险应用
- 研究问题
- 如何在变量数量较多、冲击非高斯且不可分离时，用不同分位位置的依赖图刻画条件独立和预测关系，并度量尾部关联？
- 方法与思路
- 作者提出条件独立分位数图与预测分位数图，分别刻画分布依赖及非对称损失下的最佳线性预测关系，再构造尾部风险网络。
- 材料陈述的贡献
- 摘要称两类模型可关注分布特定部分，预测图允许模型设定错误，所得尾部网络可用于分析系统性风险贡献及金融传染。
- 阅读关注点
- 应核对分位数层面的图如何表征条件独立、预测图的设定错误容许范围，以及尾部网络与系统性风险贡献的具体定义。
- 阅读边界
- 仅据所给 RePEc 出版社摘要版本，估计条件与应用结果未详述；用于检查因果图结构不等于识别因果效应或传染方向。
原文摘要
We propose two types of Quantile Graphical Models: (i) Conditional Independence Quantile Graphical Models (CIQGMs) characterize the conditional independence by evaluating the distributional dependence structure at each quantile index, as such, those can be used for validation of the graph structure in the causal graphical models; (ii) Prediction Quantile Graphical Models (PQGMs) characterize the statistical dependencies through the graphs of the best linear predictors under asymmetric loss functions. PQGMs make weaker assumptions than CIQGMs as they allow for misspecification. One advantage of these models is that we can apply them to large collections of variables driven by non-Gaussian and non-separable shocks. Because of QGMs’ ability to handle large collections of variables and focus on specific parts of the distributions, we could apply them to quantify tail interdependence. The resulting tail risk network can be used for measuring systemic risk contributions that help make inroads in understanding international financial contagion and dependence structures of returns under downside market movements.