Bayesian Time-Varying Quantile Forecasting for Value-at-Risk in Financial Markets
用于金融市场风险价值预测的贝叶斯时变分位数模型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。
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：摘要的核心目标是金融市场风险价值预测，并以尾部分位数模型评估风险，最直接对应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…
用于金融市场风险价值预测的贝叶斯时变分位数模型
- 研究问题
- 动态分位数模型的非线性扩展与贝叶斯估计，能否提高参数估计精度并改善金融市场风险价值预测？研究关注条件尾部分位数。
- 方法与思路
- 作者将动态条件自回归分位数模型推广至全非线性模型族，通过偏斜 Laplace 分布进行贝叶斯估计，并采用自适应 MCMC 抽样。
- 材料陈述的贡献
- 摘要报告模拟中的估计精度优于标准数值优化，并在十个主要股市的两年评估期内，相较多种已有方法获得更准确的风险价值预测。
- 阅读关注点
- 核对非线性模型族、偏斜 Laplace 分布在估计中的角色、先验与抽样诊断，以及两年预测比较采用的指标和基准模型。
- 阅读边界
- 摘要未说明风险价值置信水平、预测窗口、先验敏感性与改进幅度；所报告优势不能据此推广到其他市场或时期。
原文摘要
Recently, advances in time-varying quantile modeling have proven effective in financial Value-at-Risk forecasting. Some well-known dynamic conditional autoregressive quantile models are generalized to a fully nonlinear family. The Bayesian solution to the general quantile regression problem, via the Skewed-Laplace distribution, is adapted and designed for parameter estimation in this model family via an adaptive Markov chain Monte Carlo sampling scheme. A simulation study illustrates favorable precision in estimation, compared to the standard numerical optimization method. The proposed model family is clearly favored in an empirical study of 10 major stock markets. The results that show the proposed model is more accurate at Value-at-Risk forecasting over a two-year period, when compared to a range of existing alternative models and methods.