Sequential Monitoring for Changes in Dynamic Semiparametric Risk Models
动态半参数风险模型变化的序贯监测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。
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：摘要明确联合建模 VaR 与 ES，并研究动态模型变化点的序贯检测。
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…
动态半参数风险模型变化的序贯监测
- 研究问题
- 如何实时监测同时刻画风险价值与预期损失的动态半参数模型，识别风险模型发生变化的时点并控制误报？
- 方法与思路
- 作者提出由梯度检测器和边界函数组成的序贯监测方案，在检测器越界时报警，并推导无变化假设下停止时间的渐近极限。
- 材料陈述的贡献
- 摘要称模拟中检验具有合理的尺寸控制及多种变化情形下的较高功效；股指与汇率应用展示了实时检测变化的能力。
- 阅读关注点
- 应核对梯度的具体来源、监测边界与训练样本设定、停止时间校准，以及不同变化类型下的检测延迟和误报表现。
- 阅读边界
- 仅据所给 OpenAlex 摘要版本解读；摘要未说明模型条件、边界参数或检测延迟数值，不能据此判断普遍实时表现或刊本变化。
原文摘要
We propose a sequential monitoring scheme to detect changes in dynamic semiparametric risk models that capture Value-at-Risk (VaR) and Expected Shortfall (ES) jointly. The monitoring scheme is based on a gradient-based detector and a boundary function, and a change is detected when the detector crosses the boundary function. We derive the asymptotic limit of the stopping time of detection under the null hypothesis of no change. Monte Carlo simulations show that the proposed test has reasonable size control under the null hypothesis and high power under alternative hypotheses of various change point scenarios in finite samples. Empirical applications based on the S&P 500 index and the GBP/EUR exchange rate illustrate that our proposed test is able to detect change points in real-time.