Confidence Intervals for Conditional Tail Risk Measures in ARMA–GARCH Models
ARMA–GARCH 模型中条件尾部风险度量的置信区间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：摘要直接研究极端条件风险价值与预期短缺，并以 ARMA–GARCH 刻画收益的条件波动，因此对应尾部风险和波动率。
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
ARMA–GARCH 模型中条件尾部风险度量的置信区间
- 研究问题
- 在具有厚尾创新的 ARMA–GARCH 收益模型中，如何为极端条件风险价值和条件预期短缺构造覆盖率可靠的置信区间？
- 方法与思路
- 作者利用残差加权序贯尾部经验过程的弱收敛推导极限分布，以自标准化构造区间，并用数据驱动方法选择高阶统计量个数。
- 材料陈述的贡献
- 摘要称，自标准化区间较正态近似改善覆盖率，但区间略宽；还提出高阶统计量个数选择方法，并报告股指收益风险预测的改进。
- 阅读关注点
- 应核对风险度量定义、极值指数估计器的适用范围、模型参数估计误差如何进入极限分布，以及区间覆盖率和宽度的比较设计。
- 阅读边界
- 摘要未说明正极值指数之外的完整条件，也未给出覆盖率、区间宽度或预测改进数值；仅凭摘要无法判断稳健性与实际应用效果。
原文摘要
ARMA–GARCH models are widely used to model the conditional mean and conditional variance dynamics of returns on risky assets. Empirical results suggest heavy-tailed innovations with positive extreme value index for these models. Hence, one may use extreme value theory to estimate extreme quantiles of residuals. Using weak convergence of the weighted sequential tail empirical process of the residuals, we derive the limiting distribution of extreme conditional Value-at-Risk (CVaR) and conditional expected shortfall (CES) estimates for a wide range of extreme value index estimators. To construct confidence intervals, we propose to use self-normalization. This leads to improved coverage vis-à-vis the normal approximation, while delivering slightly wider confidence intervals. A data-driven choice of the number of upper order statistics in the estimation is suggested and shown to work well in simulations. An application to stock index returns documents the improvements of CVaR and CES forecasts.