E-Backtesting Expected Shortfall without Value-at-Risk Forecasts under Time-series Models
无需VaR预测的期望损失E-回测：时间序列模型下的方法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：摘要主题为期望损失与VaR的尾部风险回测，且方法明确建立在AR-GARCH时间序列结构上，故选取尾部与系统性风险及时间序列两个方向。
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
无需VaR预测的期望损失E-回测：时间序列模型下的方法
- 研究问题
- 摘要称，期望损失（ES）的序贯回测通常还需要一个VaR预测；本文研究能否仅用观测损失与ES预测进行ES回测，并在任意停时控制错误拒绝率。
- 方法与思路
- 作者提出两种e-回测方法：一种仅适用于iid损失，另一种针对AR-GARCH条件VaR结构下的时间序列；后者对可能的参数与VaR取值取下确界，通过最大化候选参数上的经验增长率选择投注过程，并在稠密参数网格上做连续VaR刻画。
- 材料陈述的贡献
- 摘要称，在所述假设下两种方法都能在任意停时控制错误拒绝；对时间序列方法，有效性需要固定的参数—分位数对与正的报告边际；作者证明网格细化时网格近似收敛到连续下确界，且错误拒绝概率收敛，并给出参数网格上VaR下确界的上下界以控制数值刻画精度。
- 阅读关注点
- 应核对：时间序列方法所需假设的具体内容与可检验性；固定参数—分位数对和正报告边际如何选取；投注过程与增长率最大化的实现细节；网格收敛与上下界定理的条件；模拟与NASDAQ日损失应用中对比对象、检测频率与拒绝时点的设定。
- 阅读边界
- 仅依据摘要，无法判断假设的现实性、有限样本表现、与VaR-ES e-process及固定样本回测的相对优劣；摘要未说明具体数值结果、数据区间与实现细节。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
Expected Shortfall (ES) measures the average size of tail losses. Its sequential backtests typically also require a Value-at-Risk (VaR) forecast. We develop two e-backtesting methods using only observed losses and ES forecasts: one for iid losses only and the other for time series under an AR-GARCH conditional VaR structure. Under the stated assumptions, both control false rejections at any stopping time. For the time-series method, validity requires a fixed parameter--quantile pair representing the conditional VaR path and a positive report margin. The time-series statistic takes an infimum over possible parameter and VaR values. We choose the betting process $(λ_t)$ by maximizing an empirical growth rate averaged across candidate parameters. We compute the statistic by continuous VaR profiling on a dense parameter grid. For grid approximations, we prove convergence to the continuous infimum, together with convergence of the probability of false rejection, as the grid is refined over a fixed monitoring period. Lower and upper bounds for the VaR infimum on the parameter grid control the accuracy of the numerical profiling. Simulations, including ES reports that change from over-reporting to under-reporting, and an application to daily NASDAQ losses provide numerical comparisons with VaR--ES e-processes and fixed-sample ES backtests, assessing detection frequencies and the timing of rejections.