Risk-parameter estimation in volatility models
波动率模型中的风险参数估计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：摘要同时涉及条件波动率、GARCH、厚尾创新和 VaR 风险参数估计。
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
波动率模型中的风险参数估计
- 研究问题
- 如何将条件波动率模型的系数与创新分布的风险度量结合为风险参数，并比较一步法和两步法对 VaR 的估计表现？
- 方法与思路
- 作者提出先估计波动率系数再估计创新风险的两步法，以及通过模型重参数化和非高斯拟极大似然实现的一步法。
- 材料陈述的贡献
- 摘要称，对光滑风险度量和 VaR 建立渐近结果；厚尾创新下的渐近比较倾向支持一步法，模拟与金融实证也展示其优势。
- 阅读关注点
- 应核对风险参数定义、非高斯似然选择、VaR 渐近条件，以及厚尾优势的分布范围和标准 GARCH 下比较为何仅依赖创新分布。
- 阅读边界
- 仅据所给出版社摘要，不能断言一步法在所有风险度量或样本中更优；具体条件、效率差异和实证数值未说明，也不能推断版本变化。
原文摘要
This paper introduces the concept of risk parameter in conditional volatility models of the form ϵt=σt(θ0)ηt and develops statistical procedures to estimate this parameter. For a given risk measure r, the risk parameter is expressed as a function of the volatility coefficients θ0 and the risk, r(ηt), of the innovation process. A two-step method is proposed to successively estimate these quantities. An alternative one-step approach, relying on a reparameterization of the model and the use of a non Gaussian QML, is proposed. Asymptotic results are established for smooth risk measures, as well as for the Value-at-Risk (VaR). Asymptotic comparisons of the two approaches for VaR estimation suggest a superiority of the one-step method when the innovations are heavy-tailed. For standard GARCH models, the comparison only depends on characteristics of the innovations distribution, not on the volatility parameters. Monte-Carlo experiments and an empirical study illustrate the superiority of the one-step approach for financial series.