Forecasting Oil Prices Across the Distribution: A Quantile VAR Approach
跨分布预测油价：分位数向量自回归方法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：摘要以月度油价的分位数动态预测为核心，并明确评价条件分布两端的尾部风险。
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…
跨分布预测油价：分位数向量自回归方法
- 研究问题
- 预测变量对实际油价的作用是否随条件分位数变化，分位数动态能否改善中位数预测，并更好地刻画下行与上行风险？
- 方法与思路
- 作者构建分位数贝叶斯向量自回归，允许预测变量效应随分位数变化，使用 1975—2025 年月度数据进行预测比较。
- 材料陈述的贡献
- 摘要报告中位数预测改善 2%—5%、左尾改善 10%—25%；右尾预测仍较困难，但纳入该模型的预测组合可弥补相关损失。
- 阅读关注点
- 核对预测误差指标、分位数选择、预测期和样本外评估窗口，以及危机期比较、随机波动模型与组合预测的实施方式。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收均未核验；摘要未说明改善比例的具体损失口径、统计不确定性及数据构造细节。
原文摘要
We develop a Quantile Bayesian Vector Autoregression (QBVAR) to forecast real oil prices across different quantiles of the conditional distribution. The model allows predictor effects to vary across quantiles, capturing asymmetries that standard mean-focused approaches miss. Using monthly data from 1975 to 2025, we document three findings. First, the QBVAR improves median forecasts by 2-5\% relative to Bayesian VARs, demonstrating that quantile-specific dynamics matter even for point prediction. Second, uncertainty and financial condition variables strongly predict downside risk, with left-tail forecast improvements of 10-25\% that intensify during crisis episodes. Third, right-tail forecasting remains difficult; stochastic volatility models dominate for upside risk, though forecast combinations that include the QBVAR recover these losses. The results show that modeling the conditional distribution yields substantial gains for tail risk assessment, particularly during major oil market disruptions.