Multivariate inference for dynamic systemic risk measures
动态系统性风险测度的多元推断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：摘要以MES与ΔCoVaR等尾部系统性风险测度为对象，采用多元GARCH类时变波动与相依结构，故对应尾部与系统性风险、波动率及时间序列方向。
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…
动态系统性风险测度的多元推断
- 研究问题
- 摘要称，本文研究如何对边际期望损失（MES）与ΔCoVaR这两类系统性风险测度进行统计推断，并为系统性风险排名构造置信集。
- 方法与思路
- 作者提出在多元GARCH类框架下用两步半参数程序估计MES与ΔCoVaR，建立估计量的渐近性质，并将估计不确定性分解为动态单变量边际成分与时变相依成分。
- 材料陈述的贡献
- 摘要称，方法在风险估计与预测的有限样本中表现良好；作者提出系统性风险差异检验，用于构造公司系统性风险排名的置信集，并在50家美国大型金融机构的实证中给出关于排名信息含量的新证据。
- 阅读关注点
- 应核对两步估计的识别条件与渐近分布推导、边际与时变相依成分的分解是否可分离识别、检验的零假设与置信集构造方式，以及实证样本区间与排名结论的稳健性。
- 阅读边界
- 仅凭摘要无法判断识别假设是否成立、渐近理论的正则条件、有限样本模拟的具体设定与结果，以及实证结论的外部有效性；摘要未说明数据频率、样本期与模型具体形式。
原文摘要
This paper provides statistical inference for marginal expected shortfall (MES) and delta conditional value-at-risk (ΔCoVaR) measures, which are semiparametrically estimated by a two-step procedure in a multivariate GARCH-type framework. We establish the asymptotic properties of corresponding estimators and illustrate how the estimation uncertainty can be decomposed into dynamic univariate marginal and time-varying dependence components. Our methodology reveals good finite sample performance for estimation and prediction of risk. Moreover, we propose tests for differences in systemic risk in order to construct confidence sets for companies’ ranks in systemic risk rankings. In an empirical application based on 50 large US financial institutions, our framework provides novel evidence on the informativeness of such rankings. Moreover, our findings highlight the importance of accounting for time-varying return dependence in systemic risk estimators.