Dynamic CoVaR Modeling and Estimation
动态 CoVaR 建模与估计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：摘要直接研究 VaR、CoVaR 及银行困境条件下的系统性尾部风险预测。
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
动态 CoVaR 建模与估计
- 研究问题
- 如何联合动态预测 VaR 与 CoVaR，刻画另一变量陷入困境时的条件尾部分位数，并对模型参数进行统计推断？
- 方法与思路
- 作者基于 VaR 与 CoVaR 的二元评分函数构造两步 M 估计，研究其渐近性质，并将 CoCAViaR 子类用于美国大型银行收益。
- 材料陈述的贡献
- 摘要称，估计量具有一致性和渐近正态性；模拟分析有限样本表现，应用中的正式预测比较显示优于所用基准模型。
- 阅读关注点
- 应核对困境事件及条件分位数定义、两步估计的误差传递、渐近条件，以及预测比较的评分规则、基准与检验设计。
- 阅读边界
- 仅据所给 OpenAlex 摘要，预测优势限于作者报告的比较；具体条件、样本与数值未说明，也不能推断其他版本变化。
原文摘要
The popular systemic risk measure CoVaR (conditional Value-at-Risk) and its variants are widely used in economics and finance. In this article, we propose joint dynamic forecasting models for the Value-at-Risk (VaR) and CoVaR. The CoVaR version we consider is defined as a large quantile of one variable (e.g., losses in the financial system) conditional on some other variable (e.g., losses in a bank’s shares) being in distress. We introduce a two-step M-estimator for the model parameters that draws on recently proposed bivariate scoring functions for the pair (VaR, CoVaR). We prove consistency and asymptotic normality of our parameter estimator and analyze its finite-sample properties in simulations. Finally, we apply a specific subclass of our dynamic forecasting models, which we call CoCAViaR models, to log-returns of large US banks. A formal forecast comparison shows that our CoCAViaR models generate CoVaR predictions which are superior to forecasts issued from current benchmark models.