MODEL-FREE INFERENCE FOR TAIL RISK MEASURES
尾部风险度量的无模型推断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：摘要明确研究风险价值、预期损失及股票收益的风险推断，直接对应尾部与系统性风险中的尾部风险方向。
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…
关注这篇论文的作者
尾部风险度量的无模型推断
- 研究问题
- 如何利用协变量中的辅助信息，对风险价值、预期损失及相关尾部风险度量量化估计不确定性，并允许序列依赖？
- 方法与思路
- 作者在非参数框架下构造两步广义经验似然检验统计量，并研究其在半参数指数模型及序列相关数据中的适用性。
- 材料陈述的贡献
- 摘要称统计量渐近枢轴化且无需估计方差，并给出序列依赖下的理论、模拟及加拿大股票收益指数应用。
- 阅读关注点
- 应核对风险度量的定义、辅助协变量的使用方式、两步估计误差处理，以及序列依赖下枢轴性质的成立条件。
- 阅读边界
- 仅据所给 Crossref 摘要；尾部概率、依赖限制和有限样本覆盖表现未说明，不能将无模型理解为无需任何假设。
原文摘要
Understanding uncertainty in estimating risk measures is important in modern financial risk management. In this paper we consider a nonparametric framework that incorporates auxiliary information available in covariates and propose a family of inferential methods for the value at risk, expected shortfall, and related risk measures. A two-step generalized empirical likelihood test statistic is constructed and is shown to be asymptotically pivotal without requiring variance estimation. We also show its validity when applied to a semiparametric index model. Asymptotic theories are established allowing for serially dependent data. Simulations and an empirical application to Canadian stock return index illustrate the finite sample behavior of the methodologies proposed.