Realized Tail-Risk Conditional Autoregressive Expectile Models: Accurate and Stable Forecasting Performance
已实现尾部风险条件自回归期望分位模型：精准稳定的预测表现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 VaR 与 ES 联合预测为核心，属尾部与系统性风险；使用日内高频收益构造已实现度量，属高频计量；并以滚动预测评估预测表现，涉及预测方向。
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…
关注这篇论文的作者
已实现尾部风险条件自回归期望分位模型：精准稳定的预测表现
- 研究问题
- 摘要称，本文关注如何联合预测风险价值（VaR）与预期损失（ES），并让日内高频收益所包含的下尾风险信息进入预测。
- 方法与思路
- 作者提出已实现尾部风险条件自回归期望分位（RTCARE）模型，将已实现分位数、已实现 ES 等已实现尾部度量纳入条件期望分位的动态方程与测量方程，参数由马尔可夫链蒙特卡洛估计，并用数值算例与美国股票收益数据做评估。
- 材料陈述的贡献
- 摘要称，在多个尾部水平上，RTCARE 模型相对既有替代方法具有竞争力、且往往更优的预测表现，并在蒙特卡洛重复与滚动预测评估中结果稳定。
- 阅读关注点
- 应核对已实现尾部度量的具体构造与高频数据频率、期望分位动态与测量方程的形式、MCMC 的先验与收敛诊断、VaR-ES 联合预测的评价指标与基准模型集合，以及稳定性结论的样本区间与滚动窗口设定。
- 阅读边界
- 仅凭摘要无法判断识别假设、估计量性质、模型设定细节与实证结论的稳健性；摘要未说明具体数据区间、尾部水平取值与数值结果大小。该文为 arXiv 预印本，未经同行评审验证，不能据此声称已被期刊接收。
原文摘要
A realized tail-risk conditional autoregressive expectile (RTCARE) model is proposed for joint forecasting of value-at-risk (VaR) and expected shortfall (ES). Realized tail measures such as the realized quantile and the realized ES, constructed from intraday high-frequency returns, are incorporated into the dynamics and measurement equations of the conditional expectile, allowing information about lower-tail risk to enter the forecasts. The parameters are estimated by Markov chain Monte Carlo, and we evaluate the resulting VaR-ES forecasts in numerical examples and in an empirical application using U.S. stock-return data. Across the considered tail levels, the RTCARE models deliver competitive and often superior forecasting performance relative to existing alternatives, with stable results across Monte Carlo replications and rolling forecast evaluations.