Forecasting and stress testing with quantile vector autoregression
使用分位数向量自回归进行预测与压力测试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：摘要明确研究分位数VAR、结构脉冲响应和宏观尾部预测，直接对应VAR与预测方向。
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…
使用分位数向量自回归进行预测与压力测试
- 研究问题
- 如何刻画经济与金融变量在不同分位数上的动态相互作用，并用于大幅实际或金融冲击下的尾部预测和压力测试？
- 方法与思路
- 作者建立分位数VAR，以递归结构分解联合分布获得分位数预测，并推导识别策略和结构分位数脉冲响应，应用于欧元区数据。
- 材料陈述的贡献
- 摘要称，分位数预测不能直接由约化式估计获得；模型推广标准VAR的识别与响应分析，并显示系统动态随分位数变化。
- 阅读关注点
- 应核对递归分解与变量排序、结构冲击识别条件、分位数脉冲响应的定义，以及压力情景如何映射为尾部预测。
- 阅读边界
- 仅据所给 Crossref 摘要，递归结构的具体假设、预测准确度及压力测试结果未说明，不能据此判断其优于其他尾部预测方法。
原文摘要
Summary A quantile vector autoregressive (VAR) model, unlike standard VAR, traces the interaction among the endogenous random variables at any quantile. Quantile forecasts are obtained by factorizing the joint distribution in a recursive structure but cannot be obtained from reduced form estimation. Identification strategies and structural quantile impulse response functions are derived as generalization of the VAR model. The model is estimated using real and financial variables for the euro area. The dynamic properties of the system change across quantiles. This is relevant for stress testing exercises, whose goal is to forecast the tail behavior of the economy when hit by large financial and real shocks.