OPTIMAL MODEL AVERAGING FOR JOINT VALUE-AT-RISK AND EXPECTED SHORTFALL REGRESSION
风险价值与期望损失联合回归的最优模型平均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 与 ES 的联合回归和模型平均，核心对象是金融尾部风险度量。
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…
风险价值与期望损失联合回归的最优模型平均
- 研究问题
- 在联合建模风险价值与期望损失时，如何选择两组模型平均权重，并在模型可能误设和参数维度增长下控制预测误差？
- 方法与思路
- 作者通过最小化 jackknife 准则选择 VaR 和 ES 回归的两组权重，分析估计量的大样本性质和样本外预测误差。
- 材料陈述的贡献
- 摘要称所选权重在最小化样本外超额最终预测误差意义下渐近最优，且模拟与三项实证分析呈现良好有限样本表现。
- 阅读关注点
- 应核对联合损失与两组权重的约束、jackknife 准则构造，以及模型误设和维度增长下最优性所比较的范围。
- 阅读边界
- 仅据所给 Crossref 版本摘要，具体损失、增长条件和实证数值未说明；不能推出所有尾部风险场景均更优或推断刊本变化。
原文摘要
Since the implementation of the Basel III Accord, expected shortfall (ES) has gained increasing attention from regulators as a complement to value-at-risk (VaR). The problem of elicitability for ES makes jointly modeling VaR and ES a popular method to study ES. In this article, we develop model averaging for joint VaR and ES regression models that selects the two weight vectors by minimizing a jackknife criterion. We show the large sample properties of the estimators under potential model misspecification with increasing dimension of parameters and the asymptotic optimality of the selected weights in the sense of minimizing the out-of-sample excess final prediction error. Simulation studies and three empirical analyses reveal good finite sample performance.