ReSGA: A Large Tail Risk Model for Learning Value-at-Risk and Expected Shortfall
ReSGA：学习风险价值与预期损失的大型尾部风险模型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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要的核心目标是股票收益的 VaR 与 ES 学习、联合尾部风险预测及统计回测，因此直接归入尾部与系统性风险方向。
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
ReSGA：学习风险价值与预期损失的大型尾部风险模型
- 研究问题
- 如何利用资产特征、横截面依赖和长期时间动态预测 VaR 与 ES，并区分预测改善究竟来自数据复杂度还是模型规模？
- 方法与思路
- 作者提出检索增强自分组自编码器，在美国月度股票收益和公司特征上进行样本外比较、风险回测、规模分析及迁移学习。
- 材料陈述的贡献
- 摘要称，ReSGA 优于十二种比较方法，预测优势可转化为组合收益，并称联合风险预测改善主要由数据复杂度驱动。
- 阅读关注点
- 应核对训练与测试划分、特征可用时点、联合损失和回测设计，以及数据与模型复杂度如何分别变化、组合成本如何处理。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收均未核实；摘要未报告具体损失差异、回测结果或交易成本，优势尚不能独立确认。
原文摘要
Learning Value-at-Risk (VaR) and Expected Shortfall (ES) is important for managing financial risks effectively. Existing approaches with limited parameters are vulnerable to model misspecification in the era of big data. To address this limitation, we propose a large tail risk model, the retrieval-enhanced self-grouping autoencoder (ReSGA), which is designed with millions of parameters to exploit the rich cross-sectional dependence and long-term temporal dynamics of assets using their characteristics. Applied to monthly US equity returns from 1926 to 2023 with 153 firm characteristics, ReSGA outperforms twelve econometric and machine learning competitors in terms of out-of-sample loss and statistical backtesting. In addition, its forecast advantages can translate into significant economic gains from long-short decile portfolios that are constructed by a new size-enhanced left-side momentum strategy. To clarify the role of complexity, we further conduct a systematic scaling analysis and demonstrate that improvements in joint VaR-ES forecasting are primarily driven by data complexity rather than model complexity. Finally, our analyses of group-importance and transfer-learning exhibit the interpretability and cross-market generalizability of ReSGA.