Combining density forecasts using focused scoring rules
利用聚焦评分规则组合密度预测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：摘要组合股指日收益的预测密度，并评价下行风险和99%VaR估计的表现，直接对应收益预测与尾部风险方向。
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…
利用聚焦评分规则组合密度预测
- 研究问题
- 股票市场的下行风险预测能否通过重点评价收益分布的特定区域来改进，密度组合权重是否应采用不同于全分布评分的准则？
- 方法与思路
- 作者用删失似然评分和CRPS确定预测密度的组合权重，与对数评分及等权组合比较，并将多种波动模型用于四个股指的日收益数据。
- 材料陈述的贡献
- 摘要称优化删失似然评分的密度组合显著优于所比较的等权、CRPS和对数评分方案，且据此赋权可改善99%VaR估计。
- 阅读关注点
- 重点核对评分重点区域的定义、权重优化与预测评估是否分离，以及密度预测比较和99%VaR改进分别采用何种检验与指标。
- 阅读边界
- 结论来自2000—2013年四个股指及所选波动模型；摘要未说明显著性检验、样本外安排和VaR评价细节，不能直接外推至其他市场。
原文摘要
Summary We investigate the added value of combining density forecasts focused on a specific region of support. We develop forecast combination schemes that assign weights to individual predictive densities based on the censored likelihood scoring rule and the continuous ranked probability scoring rule (CRPS) and compare these to weighting schemes based on the log score and the equally weighted scheme. We apply this approach in the context of measuring downside risk in equity markets using recently developed volatility models, including HEAVY, realized GARCH and GAS models, applied to daily returns on the S&P 500, DJIA, FTSE and Nikkei indexes from 2000 until 2013. The results show that combined density forecasts based on optimizing the censored likelihood scoring rule significantly outperform pooling based on equal weights, optimizing the CRPS or log scoring rule. In addition, 99% Value‐at‐Risk estimates improve when weights are based on the censored likelihood scoring rule.