Quantile-based modeling of scale dynamics in financial returns for Value-at-Risk and Expected Shortfall forecasting
基于分位数的金融收益尺度动态建模与 VaR、ES 预测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：摘要直接预测 VaR 与 ES，并以金融收益条件尺度动态刻画风险变化。
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
基于分位数的金融收益尺度动态建模与 VaR、ES 预测
- 研究问题
- 如何通过金融收益条件尺度的动态变化预测风险价值与预期损失，并在下行风险估计中容纳偏态、厚尾和杠杆效应？
- 方法与思路
- 作者以受限分位数回归建模两个指定分位数之差，利用标准化收益的左尾分位数得到 VaR，并平均其下方分位数近似 ES。
- 材料陈述的贡献
- 摘要称方法给出稳健且不依赖特定分布形式的极端损失估计，模拟和实证中常优于所选基准，并在涵盖疫情期的国际股指中展示风险动态。
- 阅读关注点
- 应核对尺度分位数的选择、回归约束、ES 分位数平均的近似误差，以及预测回测、基准设定和疫情样本处理。
- 阅读边界
- 所给版本为 arXiv 预印本，同行评审及期刊接收未核实；摘要未列具体约束、评估指标或数值，无分布设定的表述不意味着无需统计条件。
原文摘要
We introduce a semiparametric approach for forecasting Value-at-Risk (VaR) and Expected Shortfall (ES) by modeling the conditional scale of financial returns, defined as the difference between two specified quantiles, via restricted quantile regression. Focusing on downside risk, VaR is derived from the left-tail quantile of rescaled returns, and ES is approximated by averaging quantiles below the VaR level. The method delivers robust, distribution-free estimates of extreme losses and captures skewness, heavy tails, and leverage effects. Simulation experiments and empirical analysis show that it often outperforms established models, including GARCH and joint VaR-ES conditional-quantile approaches. An application to daily returns on major international stock indices, spanning the COVID-19 period, highlights its effectiveness in capturing risk dynamics.