Modeling Tail Index With Autoregressive Conditional Pareto Model
用自回归条件帕累托模型刻画动态尾指数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：摘要直接研究金融市场动态尾指数、股票风险及动荡期尾部连通性，核心对象属于尾部风险与风险关联分析。
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
用自回归条件帕累托模型刻画动态尾指数
- 研究问题
- 如何用动态超阈值模型刻画金融市场尾指数的时间变化，并据此描述股票风险、市场动荡及金融风险的尾部连通性？
- 方法与思路
- 作者以动态超阈值方法构建自回归条件帕累托模型，用指数函数描述尾指数过程，并采用极大似然估计模型参数。
- 材料陈述的贡献
- 摘要称模型尾指数对市场动荡更敏感，可能提供预警，并发现动荡期尾部连通性上升；同时研究模型与估计量性质。
- 阅读关注点
- 重点核对阈值选择、尾指数动态的概率性质及极大似然估计条件，并区分动荡期拟合敏感性与样本外预警能力。
- 阅读边界
- 摘要未说明样本区间、预警判据与样本外检验；对动荡更敏感及可能预警的表述，不能直接证明稳定的预测能力。
原文摘要
We propose an autoregressive conditional Pareto (AcP) model based on the dynamic peaks over threshold method to model a dynamic tail index in the financial markets. Unlike the score-based approach which is widely used in many articles, we use an exponential function to model the tail index process for its intuitiveness and interpretability. Probabilistic properties of the AcP model and the statistical properties of its parameter estimators of maximum likelihood are studied in this article. Real data are used to show the advantages of AcP, especially, compared to the estimation volatility of GARCH model, the result of AcP is more sensitive to turmoil. The estimated tail index of AcP can accurately reflect the risk of the stock and may even play an early warning role to the turmoil of stock market. We also calculate the tail connectedness based on the estimated tail index of AcP and show that tail connectedness increases during period of turmoil, which is consistent with the result of the score-based approach.