ESTIMATION RISK IN GARCH VaR AND ES ESTIMATES
GARCH 模型中 VaR 与 ES 估计的估计风险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。
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 GARCH 条件波动下的 VaR、ES 及其估计不确定性，对应风险与波动率。
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
GARCH 模型中 VaR 与 ES 估计的估计风险
- 研究问题
- 使用过滤历史模拟估计 GARCH 条件 VaR 与 ES 时，如何量化估计不确定性，尤其处理估计残差并非真实独立创新的问题？
- 方法与思路
- 作者利用 GARCH 残差经验分布函数的渐近行为，提出评估过滤历史模拟所得条件 VaR 与 ES 精度的解析方法。
- 材料陈述的贡献
- 摘要称，所提方法针对异方差金融时间序列中的风险度量估计不确定性，并通过模拟评估，报告了有效性支持。
- 阅读关注点
- 应核对参数估计误差如何影响残差经验分布，以及 VaR、ES 的精度公式、尾部条件和模拟中的不确定性评价方式。
- 阅读边界
- 所给 Crossref 摘要未说明尾部矩条件、置信区间形式或模拟数值；不能据此判断极端尾部与模型误设时的可靠性。
原文摘要
Value-at-risk (VaR) and expected shortfall (ES) are now both widely used risk measures. However, users have not paid much attention to the estimation risk issues, especially in the case of heteroskedastic financial time series. The key challenge arises from the fact that the estimated generalized autoregressive conditional heteroskedasticity (GARCH) innovations are not the true independent innovations. The purpose of this work is to provide an analytical method to assess the precision of conditional VaR and ES in the GARCH model estimated by the filtered historical simulation (FHS) method based on the asymptotic behavior of the residual empirical distribution function in GARCH processes. The proposed method is evaluated by simulation and proved valid.