Calibrated quantile prediction for Growth-at-Risk
增长风险的校准分位数预测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：摘要明确讨论增长风险的分位数预测及经济金融应用中的极端风险度量，对应预测与尾部风险。
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…
增长风险的校准分位数预测
- 研究问题
- 在增长风险等应用中，如何改善极端分位数估计的校准与稳健性，并对未来极端观测发生的风险提供可解释的覆盖保证？
- 方法与思路
- 作者提出用于校准分位数的保形预测框架，以模拟和实际增长风险分析进行比较，并提出依赖交换性假设的覆盖性质。
- 材料陈述的贡献
- 摘要称，保形方法在实验中改善各分位数的校准和稳健性，极端分位数获益尤其明显，并提供交换性条件下的覆盖保证。
- 阅读关注点
- 应核对校准与覆盖的定义、保证是边际还是条件性质，以及增长序列是否满足交换性、评价时是否控制预测信息泄漏。
- 阅读边界
- 所据为 arXiv 预印本，同行评审及期刊接收均未核实；摘要未说明覆盖性质的具体形式或时间依赖下保证是否仍成立。
原文摘要
Accurate computation of robust estimates for extremal quantiles of empirical distributions is an essential task for a wide range of applicative fields, including economic policymaking and the financial industry. Such estimates are particularly critical in calculating risk measures, such as Growth-at-Risk (GaR). % and Value-at-Risk (VaR). This work proposes a conformal framework to estimate calibrated quantiles, and presents an extensive simulation study and a real-world analysis of GaR to examine its benefits with respect to the state of the art. Our findings show that CP methods consistently improve the calibration and robustness of quantile estimates at all levels. The calibration gains are appreciated especially at extremal quantiles, which are critical for risk assessment and where traditional methods tend to fall short. In addition, we introduce a novel property that guarantees coverage under the exchangeability assumption, providing a valuable tool for managing risks by quantifying and controlling the likelihood of future extreme observations.