Powerful Backtests for Historical Simulation Expected Shortfall Models
历史模拟预期损失模型的高功效回测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：摘要明确研究市场风险度量中的预期损失预测及其回测，直接对应尾部风险。
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
历史模拟预期损失模型的高功效回测
- 研究问题
- 如何有效回测历史模拟及过滤历史模拟模型的预期损失预测，并解决无条件回测在这些模型下可能缺乏一致性和检验功效的问题？
- 方法与思路
- 作者分析无条件回测的失效，再提出一类条件回测，建立渐近性质，并通过蒙特卡洛模拟和股票指数应用考察有限样本表现。
- 材料陈述的贡献
- 摘要称无条件回测在相关模型下可能出现大样本功效低于名义水平的问题，新条件回测则对一大类备择具有较高检验功效。
- 阅读关注点
- 应核对无条件回测失效对应的模型与备择、条件信息集和检验统计量，以及模拟中的尺寸控制、功效比较和预测生成方式。
- 阅读边界
- 仅依据所给 OpenAlex 版本摘要；备择范围、渐近条件和数值表现未说明，不能据此断言适用于所有预期损失模型或推断刊本变化。
原文摘要
Since 2016, the Basel Committee on Banking Supervision has regulated banks to switch from a Value-at-Risk (VaR) to an Expected Shortfall (ES) approach to measuring the market risk and calculating the capital requirement. In the transition from VaR to ES, the major challenge faced by financial institutions is the lack of simple but powerful tools for evaluating ES forecasts (i.e., backtesting ES). This article first shows that the unconditional backtest is inconsistent in evaluating the most popular Historical Simulation (HS) and Filtered Historical Simulation (FHS) ES models, with power even less than the nominal level in large samples. To overcome this problem, we propose a new class of conditional backtests for ES that are powerful against a large class of alternatives. We establish the asymptotic properties of the tests, and investigate their finite sample performance through some Monte Carlo simulations. An empirical application to stock indices data highlights the merits of our method.