Scenario generation for long run interest rate risk assessment
长期利率风险评估的情景生成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：摘要明确围绕国债收益率曲线的因子结构、异方差和时变相关性建模，直接对应金融因子与波动率方向。
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…
长期利率风险评估的情景生成
- 研究问题
- 如何为美国国债收益率期限结构生成长期概率情景和预测，同时刻画收益率的正值性、持续性及随时间变化的依赖关系？
- 方法与思路
- 作者建立包含因子结构、异方差和时变相关性的期限结构统计模型，并结合具有状态转换机制的短期利率模型。
- 材料陈述的贡献
- 摘要称模型易于估计，能同时再现收益率曲线的多项特征，且在样本外预测与覆盖表现上优于标准 Diebold–Li 模型。
- 阅读关注点
- 应核对长期情景概率的生成机制、状态转换与相关性设定，以及样本外预测期限、覆盖指标和基准模型的实现方式。
- 阅读边界
- 仅据所给出版社摘要，未获知样本区间、改善幅度及覆盖评价细节；其结果不能直接推广到其他利率市场或环境。
原文摘要
We propose a statistical model of the term structure of U.S. treasury yields tailored for long-term probability-based scenario generation and forecasts. Our model is easy to estimate and is able to simultaneously reproduce the positivity, persistence, and factor structure of the yield curve. Moreover, we incorporate heteroskedasticity and time-varying correlations across yields, both prevalent features of the data. The model also features a regime-switching short-rate model. We evaluate the out-of-sample performance of our model in terms of forecasting ability and coverage properties, and find that it improves on the standard Diebold and Li model.