Testing Quantile Forecast Optimality
分位数预测最优性检验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：摘要明确检验分位数预测，并分别应用于美国宏观序列和金融收益。
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…
分位数预测最优性检验
- 研究问题
- 研究如何联合检验多个预测期或分位点上的预测最优性，并识别预测偏离最优性的具体形式与可能原因。
- 方法与思路
- 作者将多组 Mincer–Zarnowitz 分位数回归写入矩等式框架，检验自校准，并扩展至更大信息集和多变量情形。
- 材料陈述的贡献
- 摘要提出可诊断具体次优形式的预测检验，通过模拟考察有限样本表现，并应用于金融收益和美国宏观序列。
- 阅读关注点
- 应核对自校准与更大信息集下最优性的区别，以及跨预测期、跨分位点的依赖如何进入联合检验与诊断。
- 阅读边界
- 仅据所给 OpenAlex 版本摘要，无法判断检验条件、功效及具体次优原因，也不能推断后续刊本变化。
原文摘要
Quantile forecasts made across multiple horizons have become an important output of many financial institutions, central banks and international organisations. This paper proposes misspecification tests for such quantile forecasts that assess optimality over a set of multiple forecast horizons and/or quantiles. The tests build on multiple Mincer-Zarnowitz quantile regressions cast in a moment equality framework. Our main test is for the null hypothesis of autocalibration, a concept which assesses optimality with respect to the information contained in the forecasts themselves. We provide an extension that allows to test for optimality with respect to larger information sets and a multivariate extension. Importantly, our tests do not just inform about general violations of optimality, but may also provide useful insights into specific forms of sub-optimality. A simulation study investigates the finite sample performance of our tests, and two empirical applications to financial returns and U.S. macroeconomic series illustrate that our tests can yield interesting insights into quantile forecast sub-optimality and its causes.