How to Compare Copula Forecasts?
如何比较 Copula 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。
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：摘要主要贡献是预测评分与预测能力比较检验，直接对应预测评价方法。
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
如何比较 Copula 预测？
- 研究问题
- 当 copula 一般不具可诱导性时，如何有原则地比较其预测，并区分联合分布预测差异来自依赖结构还是边际分布？
- 方法与思路
- 作者为边际固定且相同的 Fréchet 类构造严格一致评分，并对 copula 与边际的联合预测提出多目标评分和两步预测能力检验。
- 材料陈述的贡献
- 摘要称，论文给出一般 copula 不可诱导性的否定结果及固定边际下的例外，并建立可区分依赖与边际预测准确度的检验。
- 阅读关注点
- 核对不可诱导性结论的适用范围、严格一致评分的目标，以及两步检验如何处理边际差异和控制检验误差。
- 阅读边界
- 仅据所给 OpenAlex 摘要，具体评分、检验条件和股指应用结果未说明；固定边际情形的比较结论不能直接推广到任意边际。
原文摘要
This paper lays out a principled approach to compare copula forecasts via strictly consistent scores. We first establish the negative result that, in general, copulas fail to be elicitable, implying that copula predictions alone do not allow for meaningful comparisons. A notable exception is on Fréchet classes, that is, when the marginals are given and identical across all elements of the class, in which case we give suitable scores for the copula forecast comparison. As a remedy for the general non-elicitability of copulas, we establish novel multi-objective scores for joint (copula, marginal) forecasts. These scores give rise to two-step tests of equal or superior predictive ability, which allow differences in predictive accuracy to be clearly attributed to the copulas or the marginals. Simulations show that our two-step tests work well in terms of size and power. We illustrate our new methodology with copula forecasts for international stock market indices, which are issued from several popular models.