Forecasting Tail Risks
尾部风险预测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：摘要明确预测实体与金融尾部风险，采用伪实时多期评估及因子增广模型，分别对应金融风险、宏观预测和因子模型。
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
尾部风险预测
- 研究问题
- 如何预测实体经济与金融领域的尾部风险，并构建多期预警信号；自回归、因子增广VAR与分位数投影的表现有何差异？
- 方法与思路
- 作者以1972—2014年美国月度数据生成伪实时多期预测，比较自回归与因子增广VAR，以及自回归与因子增广分位数投影。
- 材料陈述的贡献
- 摘要称自回归与因子增广VAR明显低估尾部风险，而分位数投影在最长一年期限内提供较准确的预测与可靠预警。
- 阅读关注点
- 应核对尾部指标和分位水平、伪实时信息集及数据修订处理、因子提取与模型选择，以及各预测期限的检验和预警阈值。
- 阅读边界
- 摘要未说明尾部指标定义、准确性的评价标准及预警阈值；所述一年内表现来自特定美国样本，不能直接外推至其他时期或经济体。
原文摘要
Summary This paper presents an early warning system as a set of multi‐period forecasts of indicators of tail real and financial risks obtained using a large database of monthly US data for the period 1972:1–2014:12. Pseudo‐real‐time forecasts are generated from: (a) sets of autoregressive and factor‐augmented vector autoregressions (VARs), and (b) sets of autoregressive and factor‐augmented quantile projections. Our key finding is that forecasts obtained with AR and factor‐augmented VAR forecasts significantly underestimate tail risks, while quantile projections deliver fairly accurate forecasts and reliable early warning signals for tail real and financial risks up to a 1‐year horizon. Copyright © 2016 John Wiley & Sons, Ltd.