Functional Data-Driven Quantile Model Averaging with Application to Cryptocurrencies
函数型数据驱动的分位数模型平均及其加密货币应用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：摘要以加密货币 VaR、极端条件分位数及尾部风险预测为明确应用目标。
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…
函数型数据驱动的分位数模型平均及其加密货币应用
- 研究问题
- 使用函数型数据预测条件分位数时，如何处理成分数量选择带来的模型不确定性，并改善加密货币极端分位数和尾部风险预测？
- 方法与思路
- 作者构建采用不同成分数量的候选分位数模型，以 K 折交叉验证确定平均权重，并分别研究全部模型误设与包含真实模型的情形。
- 材料陈述的贡献
- 摘要称，所选权重具有超额最终预测误差意义下的渐近最优性，正确设定情形下有一致性结果，数值研究显示多数情形表现较好。
- 阅读关注点
- 应核对函数型成分的构造、交叉验证的时间依赖处理、两类理论结果的条件，以及极端分位数预测的评价标准和比较设计。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或期刊接收。摘要未给出理论条件或比较数值，不能推断其对所有市场与分位数均占优。
原文摘要
Given the high volatility and susceptibility to extreme events in the cryptocurrency market, forecasting tail risk is of paramount importance. Value-at-Risk (VaR), a quantile-based risk measure, is widely used for assessing tail risk and is central to monitoring financial market stability. In data-rich environments, functional data from various domains are employed to forecast conditional quantiles. However, the infinite-dimensional nature of functional data introduces uncertainty. This paper addresses this uncertainty problem by proposing a novel data-driven conditional quantile model averaging (MA) approach. With a set of candidate models varying by the number of components, MA assigns weights to each model determined by a K-fold cross-validation criterion. We prove the asymptotic optimality of the selected weights in terms of minimizing the excess final prediction error when all candidate models are misspecified. Additionally, when the true regression relationship belongs to the set of candidate models, we provide consistency results for the averaged estimators. Numerical studies indicate that, in most cases, the proposed method outperforms other model selection and averaging methods, particularly for extreme quantiles in cryptocurrency markets.