A compensatory model for quantile estimation and application to VaR
分位数估计的补偿模型及其在 VaR 中的应用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：摘要直接研究股票指数 VaR 分位数预测、覆盖误差和尾部校准，因此对应金融尾部风险。
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…
关注这篇论文的作者
分位数估计的补偿模型及其在 VaR 中的应用
- 研究问题
- 在已有拟合分布的基础上，如何调整时间序列分位数预测以控制实际覆盖误差，并区分无条件覆盖改善与条件尾部校准？
- 方法与思路
- 作者提出补偿模型，在现有分位数估计中嵌入新惩罚项，理论上刻画实际覆盖误差界，并在两项股票指数上进行 VaR 回测。
- 材料陈述的贡献
- 摘要称，补偿后的十六项预测均通过无条件覆盖检验，基准仅七项通过；条件校准仍依赖估计器，因而贡献主要是覆盖纠正。
- 阅读关注点
- 应核对惩罚项与误差界的条件、调参是否使用未来信息，以及回测窗口、检验功效和条件校准结果如何影响改善结论。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；检验通过次数是摘要报告，未说明完整回测设计，也不足以确认条件尾部模型有效。
原文摘要
Unlike the standard two-step workflow of estimating a time series distribution and extracting quantiles from it, this paper proposes a compensatory model to refine quantile estimates based on an existing fitted distribution. We embed a new penalty term in the model and theoretically characterize its ability to bound realized coverage errors, yielding an adaptive quantile estimator. Backtests on the S&P 500 and NASDAQ Composite show that the compensatory model substantially reduces unconditional coverage errors across four VaR estimators: all 16 compensatory model forecasts pass the unconditional coverage test, compared with 7 of the 16 corresponding Base forecasts. The conditional-calibration results remain estimator-dependent, indicating that compensatory model is a coverage-correction layer rather than a replacement for conditional-tail modelling.