Transformer-based CoVaR: Systemic Risk in Textual Information
基于 Transformer 的 CoVaR：文本信息中的系统性风险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：摘要明确以条件损失分位数 CoVaR 衡量和预测系统性金融风险，因此最直接对应尾部与系统性风险。
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…
基于 Transformer 的 CoVaR：文本信息中的系统性风险
- 研究问题
- 能否将金融新闻原始文本与市场数据结合，提高资产在另一资产陷入困境时的损失分位数预测，并适用于较小样本？
- 方法与思路
- 作者将大语言模型生成的文本嵌入纳入 Transformer CoVaR 估计，推导误差界，并使用美国市场收益和路透新闻做样本外比较。
- 材料陈述的贡献
- 摘要称建立显式误差界，文本提高样本外预测表现；市场压力期中，模型相对无文本及传统情绪指标版本呈现更低的 CoVaR。
- 阅读关注点
- 应核对 CoVaR 的条件事件和收益符号约定、误差界条件，以及新闻时间戳、训练测试划分、信息泄漏防范与预测评价指标。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未报告误差界形式和比较数值，小样本保证及预测改善范围尚不清楚。
原文摘要
Conditional Value-at-Risk (CoVaR) quantifies systemic financial risk by measuring the loss quantile of one asset, conditional on another asset experiencing distress. We develop a Transformer-based methodology that integrates financial news articles directly with market data to improve CoVaR estimates. Unlike approaches that use predefined sentiment scores, our method incorporates raw text embeddings generated by a large language model (LLM). We prove explicit error bounds for our Transformer CoVaR estimator, showing that accurate CoVaR learning is possible even with small datasets. Using U.S. market returns and Reuters news items from 2006--2013, our out-of-sample results show that textual information impacts the CoVaR forecasts. With better predictive performance, we identify a pronounced negative dip during market stress periods across several equity assets when comparing the Transformer-based CoVaR to both the CoVaR without text and the CoVaR using traditional sentiment measures. Our results show that textual data can be used to effectively model systemic risk without requiring prohibitively large data sets.