Adaptive Window Selection for Financial Risk Forecasting
University of Waterloo（滑铁卢大学）
提出基于自助法的自适应窗口选择方法(BAWS)，通过数据驱动的在线学习动态确定回溯窗口大小，以应对金融数据的结构性变化，提升风险预测性能。
2026-05-29 q-fin.RM stat.ML
Honour Thesis: A Joint Value at Risk and Expected Shortfall Combination Framework and its Applications in the Cryptocurrency Market
风险价值和预期损失是金融风险管理领域中日益流行的尾部风险度量方法。学术界和金融机构都在努力改进尾部风险预测，以满足《巴塞尔资本协议》的要求;它指出，风险管理和衡量风险准确性的一个目的是，由于极端波动不可能总是避免的，金融机构可以通过资本配置为这些极端回报做准备，并预留适当的资金，以避免在价格或指数极端波动时出现违约。组合预测在一定条件下可以优于单项预测，因此受到了人们的广泛关注。我们提出了两种方法，一种是半参数组合框架，可以联合产生组合的风险价值和预期损失预测，另一种是参数回归框架，称为分位数ES回归，可以产生组合的预期损失预测。半参数组合框架的有利性已经通过实证研究-在具有高频数据的加密货币市场中的应用提出，其中随着加密货币市场变得更加流行和成熟，风险管理应用的必要性增加。此外，参数分位数ES回归的一般框架已经通过模拟研究，但它仍然需要在未来的改进。这项工作的贡献包括但不限于将预期损失预测和风险管理程序应用于加密货币市场的高频数据相结合。
2022-02-21 q-fin.RM stat.AP
Nonparametric Expected Shortfall Forecasting Incorporating Weighted Quantiles
提出了一种新的半参数预期损失估计和预测框架。所提出的方法是基于一个两步估计过程。第一步是通过一组分位数时间序列回归估计不同分位数水平的风险价值。然后，ES被计算为估计的分位数的加权平均。的分位数加权结构是简约参数化的Beta权重函数的系数进行优化，通过最小化联合风险值和ES损失函数的Fissler Ziegel类。所提出的方法的属性进行了广泛的模拟研究，使用两个数据生成过程进行评估。然后进行了两个不同样本量的预测研究，其中一个侧重于2008年全球金融危机（GFC）期间。将所提出的模型应用于7个股票市场指数，并将其预测性能与一系列参数、非参数和半参数模型进行比较，包括GARCH、条件自回归期望（CARE）、联合VaR和ES分位数回归模型以及简单分位数平均。预测实验的结果提供了明确的证据支持所提出的模型。
2021-03-15 q-fin.RM
Combining Value-at-Risk and Expected Shortfall forecasts via the Model Confidence Set
Department of Economics and Statistics, University of Salerno（萨莱诺大学经济与统计系）
本文提出基于模型置信集方法的VaR和ES预测组合策略，通过严格一致的损失函数识别超优模型并进行加权组合，实证分析显示其在预测尾部风险指标方面表现稳健。
2026-02-27 q-fin.RM
Mixed--frequency quantile regressions to forecast Value--at--Risk and Expected Shortfall
虽然分位数回归计算风险的措施已被广泛建立在金融文献中，当考虑在混合频率观察到的数据，扩展是必要的。本文提出了一个基于混合频率分位数回归的模型，用于直接估计风险价值（VaR）和预期损失（ES）指标。特别地，低频分量包含来自通常以每月或更低频率观察的变量的信息，而高频分量可以包括各种每日变量，如市场指数或已实现波动率度量。在广泛的蒙特卡罗练习中，每日收益率过程的弱平稳性的条件和有限样本性质进行了研究。然后，通过使用两种能源商品，即原油和汽油期货的实际数据应用程序，探索所提出的模型的有效性。结果表明，我们的模型优于其他竞争规格的基础上，一些流行的风险值和ES回测测试程序。
2023-03-15 q-fin.RM q-fin.ST
Forecasting and Backtesting Gradient Allocations of Expected Shortfall
本研究聚焦预期短缺（ES）的梯度分配（ESCs），基于联合可识别性和多目标可导出性提出回测框架，扩展Murphy图，并构建新型半参数模型以预测动态ESCs，实证证明其性能优越。
2024-06-27 q-fin.RM
A Bayesian Long Short-Term Memory Model for Value at Risk and Expected Shortfall Joint Forecasting
The University of Sydney（悉尼大学）
在险价值（Value-at-Risk，简称VaR）和预期缺口（ExpectedShortfall，简称ES）被广泛应用于金融领域来度量市场风险和管理极端的市场波动。最近分位数得分函数和非对称拉普拉斯密度之间的联系，导致了一个灵活的似然为基础的框架，联合建模的风险值和ES。在金融应用中，能够捕获这两个量的潜在联合动态是非常重要的。我们通过开发一个基于非对称拉普拉斯准似然的混合模型来解决这个问题，该模型采用了机器学习的长短期记忆（LSTM）时间序列建模技术，以有效地捕捉VaR和ES的潜在动态。在LSTM-AL模型中，采用自适应马尔可夫链蒙特卡罗（MCMC）算法进行贝叶斯推断。实证结果表明，所提出的LSTM-AL模型可以提高风险价值和ES预测精度的一系列成熟的竞争模型。
2021-05-13 cs.LG q-fin.RM stat.ML
A Semi-parametric Realized Joint Value-at-Risk and Expected Shortfall Regression Framework
通过在原有的分位数回归模型中引入度量方程，提出了一种新的实现条件自回归风险价值（VaR）模型。该框架通过采用各种预期损失（ES）组成部分进一步扩展，以联合估计和预测风险价值和ES。测量方程对实现的测量（即，已实现方差和已实现范围）和潜在条件ES。采用自适应贝叶斯马尔可夫链蒙特卡罗方法进行估计和预测，通过仿真研究评估其性能并与最大似然法进行比较。在1%和2.5%分位数水平的综合预测研究中，将所提出的模型与一系列基于7个市场指数和7个单个资产的参数、非参数和半参数模型进行比较。一天前的VaR和ES预测结果有利于建议的模型，特别是当在模型中加入子采样的已实现方差和子采样的已实现范围。
2021-01-15 q-fin.RM q-fin.ST
Semi-parametric Realized Nonlinear Conditional Autoregressive Expectile and Expected Shortfall
提出了一个联合的条件自回归期望和预期损失框架。该框架通过引入一个度量方程来扩展，该方程模拟了实现的度量和潜在的条件期望之间的同期依赖关系。非线性阈值规范进一步纳入建议的框架。贝叶斯马尔可夫链蒙特卡罗方法适用于估计，其性能进行评估，并通过模拟研究与最大似然比较。一天前的风险价值和ES预测研究，与七个市场指数，提供了实证支持，建议的模型。
2019-06-21 econ.EM q-fin.RM
E-Backtesting Expected Shortfall without Value-at-Risk Forecasts under Time-series Models
University of Waterloo（滑铁卢大学）
该研究针对时间序列模型，开发了两种仅用观测损失和ES预测的电子回溯测试方法，可控制任意停止时间的错误拒绝率，通过模拟和纳斯达克损失应用验证了其性能。
2026-10-14 q-fin.RM stat.ME
Regression Based Expected Shortfall Backtesting
本文在Mincer和Zarnowitz（1969）的检验思想的基础上，提出了一种新的风险测度预期损失（ES）的回测方法。估计ES独立的回归框架是不可行的，因此，我们的测试是基于风险价值和ES的联合回归，这允许不同的测试规范。这些ES回测是第一个只回测ES的，因为它们只需要ES预测作为输入参数。由于测试是潜在的模型误设定，我们提供了渐近理论下误设定的基本联合回归。我们发现，采用误设定稳健协方差估计大大提高了测试的性能。我们比较我们的回测现有的方法，并发现我们的测试优于竞争对手在所有考虑的模拟。在一个实证说明中，我们将我们的回测ES预测的标准普尔500指数的200只股票。
2019-09-21 q-fin.RM
ReSGA: A Large Tail Risk Model for Learning Value-at-Risk and Expected Shortfall
Hong Kong University（香港大学）；Xiamen University（厦门大学）
提出检索增强自分组自编码器（ReSGA），利用数百万参数捕捉资产横截面依赖和长期时间动态，在1926-2023年美国股票数据上优于12种基准模型，并通过新规模增强左尾动量策略实现经济收益。
2026-06-03 cs.LG econ.EM q-fin.RM
Extending the application of dynamic Bayesian networks in calculating market risk: Standard and stressed expected shortfall
University of the Witwatersrand（金山大学）；University of Cape Town（开普敦大学）
本文通过扩展动态贝叶斯网络用于市场风险计算，比较了不同模型在估计预期shortfall和压力下的shortfall方面的性能，发现EGARCH(1,1)模型在正态分布下表现最佳，但尾部风险预测仍受限于权重设置。
2025-12-13 cs.LG q-fin.CP q-fin.RM
Semi-parametric Dynamic Asymmetric Laplace Models for Tail Risk Forecasting, Incorporating Realized Measures
Taylor（2017）的联合风险价值（VaR）和预期缺口（ES）分位数回归模型通过引入已实现的度量进行扩展，以驱动尾部风险动态，作为比每日回报更有效的驱动因素。最大似然法和自适应贝叶斯马尔可夫链蒙特卡罗方法估计，其属性进行评估和比较，通过模拟研究，结果有利于贝叶斯方法，随后采用的预测研究的七个市场指数和两个单独的资产。将建议的模型与一系列参数、非参数和半参数模型进行比较，包括GARCH、Realized-GARCH以及Taylor（2017）中的联合VaR和ES分位数回归模型。比较是在一个较长的预测样本期内（包括2007 - 2008年的全球金融危机），对一天前的风险价值和预期损失预测的准确性进行的。结果有利于所提出的模型纳入实现的措施，特别是当采用子采样实现方差和子采样实现范围。
2018-05-21 q-fin.RM
The role of the information set for forecasting - with applications to risk management
预测是根据某些信息作出的。如果正确地规定了预报机制，那么更多的可用信息应能带来更好的预报。对于点预测，我们展示了如何通过使用严格一致的评分函数来量化增加信息集的效果，从而获得较小的平均分数。此外，我们表明，经典的Diebold-Mariano测试，严格一致的评分函数和渐近理想的预测的基础上，是一个一致的测试增加的序列信息集上$h$ -步点预测的效果。对于风险价值（VaR），我们表明，平均分数，这对应于平均分位数风险，直接关系到预期的不足。因此，增加信息集将导致风险值预测，平均而言，这将导致较小的预期短缺。我们说明了我们的结果在模拟和应用程序的股票回报率无条件与有条件的风险管理，以及单变量建模的投资组合回报与多变量建模的个人风险因素。还讨论了通过使用严格适当的评分规则来评估概率预测的信息集的作用。
2014-04-30 q-fin.RM stat.AP
CAESar: Conditional Autoregressive Expected Shortfall
Scuola Normale Superiore（高等师范学院）；Università di Bologna（博洛尼亚大学）；Università di Siena（锡耶纳大学）
提出CAESar模型，结合VaR与ES的联合可激励性，通过三步优化（CAViaR拟合VaR、ES自回归过程、联合估计并施加单调性约束）灵活处理动态模式和异方差性，回测表现优于现有方法。
2026-06-16 q-fin.RM
Dynamic Semiparametric Models for Expected Shortfall (and Value-at-Risk)
Duke University（杜克大学）；University of Bern（伯尔尼大学）
本文提出动态半参数模型用于预期损失和价值-at-风险，通过统计决策理论结果解决预期损失的可 elicibility 问题，并通过实证研究验证模型在国际股市日回报预测中的优越性。
2017-07-17 econ.GN q-fin.EC q-fin.RM
Realized Tail-Risk Conditional Autoregressive Expectile Models: Accurate and Stable Forecasting Performance
Graduate School of Economics, The University of Tokyo（东京大学经济学研究科）；Faculty of Economics, The University of Tokyo（东京大学经济学部）
提出RTCARE模型联合预测VaR与ES，将已实现尾部指标纳入条件期望分位数方程，经MCMC估计参数，实证显示其预测性能优且结果稳定。
2026-10-12 econ.EM q-fin.RM stat.AP
Backtesting Expected Shortfall: Accounting for both duration and severity with bivariate orthogonal polynomials
提出结合违规间隔持续期与损失严重程度的二元正交多项式 ES 回测框架及 Wald 检验，可分别诊断模型问题并具有良好有限样本表现。
2024-05-12 q-fin.RM
Modelling uncertainty in financial tail risk: a forecast combination and weighted quantile approach
针对尾部风险预测中模型不确定性的影响，提出了一种基于预测组合和加权分位数的尾部风险预测框架。所提出的方法是基于一个两步估计过程。第一步涉及在分位数水平的网格上组合风险价值（VaR）预测。一系列的参数和半参数模型被选为预测组合过程中的模型域。通过优化分位数损失估计分位数预测组合权重。在第二步中，预期损失（ES）被计算为组合分位数的加权平均值。ES预测的分位数加权结构是通过最小化Fissler Ziegel类的严格一致的联合VaR和ES损失函数来确定的。建议的框架被应用到六个股票市场指数和其预测性能进行比较，在宇宙中，一个简单的平均值的方法和加权分位数的方法，每个单独的模型。预测结果支持所提出的框架。
2021-07-18 q-fin.RM
Forecasting VaR and ES using a joint quantile regression and implications in portfolio allocation
本文提出了一个多元分位数回归框架来同时预测多个金融资产的风险价值（VaR）和预期损失（ES），扩展了Taylor（2019）。我们将Petrella和Raponi（2019）的多变量非对称拉普拉斯（MAL）联合分位数回归推广到时变设置，这使我们能够指定每个资产的VaR和ES演变的动态过程。所提出的方法占资产收益之间的依赖结构。通过利用MAL分布的性质，我们提出了一种新的投资组合优化方法，最大限度地减少投资组合的风险和控制众所周知的特性的金融数据。我们评估所提出的方法的优点，模拟和真实数据，使用三个主要的股票市场指数的周收益率。我们表明，我们的方法优于其他现有的模型，并提供更准确的风险度量预测相比，单变量的。
2021-06-11 q-fin.RM
Using quantile time series and historical simulation to forecast financial risk multiple steps ahead
本文提出一种基于分位数时间序列的半参数历史模拟方法，用于多步前瞻预测VaR和ES等金融风险，并通过模拟和预测研究验证了其相对于现有方法的准确性。
2025-03-04 q-fin.CP q-fin.RM q-fin.ST
Semi-parametric financial risk forecasting incorporating multiple realized measures
提出融合多种已实现测度的半参数联合VaR与ES预测框架，通过拟似然贝叶斯推断和自适应MCMC估计，并在六个股票市场验证其有效性。
2024-12-05 q-fin.RM
Elicitability and backtesting: Perspectives for banking regulation
风险度量的条件预测在金融机构的内部风险管理以及监管资本计算中起着重要作用。为了评估风险度量程序的预测性能，将风险度量预测与一段时间内已实现的财务损失进行比较，并对程序的正确性进行统计测试。这个过程被称为回溯测试。这种传统的回测涉及评估一组风险度量估计的某些最优性属性。然而，它们不适合比较不同的风险估计程序。我们调查的建议，比较回测，这是更好地适合方法比较的基础上的预测精度，但需要一个elicitable风险措施。我们认为，补充传统的回测与比较回测，将提高现有的交易账簿监管框架的银行提供正确的激励，风险度量预测的准确性。此外，银行内部以及研究人员可以使用比较回溯测试框架来指导预测方法的选择。重点讨论了风险价值、预期损失和预期损失三种风险度量方法，并进行了模拟研究和数据分析。
2017-02-21 q-fin.RM stat.AP
Evaluating Range Value at Risk Forecasts
关于在实践中选择何种量化风险度量的争论主要集中在风险价值（VaR）（分位数）和预期短缺（ES）（尾部预期）之间的二分法。范围风险价值（RVaR）是这两个主要风险度量之间的自然插值，它构成了后者的敏感性和前者的稳健性之间的权衡，使其本身成为实际相关的风险度量。因此，有必要从统计上验证风险价值预测，并对不同风险价值模型的表现进行比较和排名，这些任务被归入金融领域的“回溯测试”。预测性能最好根据严格一致的损失或评分函数进行评估和比较。也就是说，通过正确的RVaR预测，预期最小化的函数。很像ES，最近已经表明，RVaR不承认严格一致的评分函数，即，它不是可引出的。缓解这一负面结果，本文表明，在不同的水平上的两个风险值成分的三重组合的风险值是可引出的。我们证明了这三个严格一致的评分函数的类。这些评分功能的其他属性进行检查，包括墨菲图的诊断工具。仿真研究的结果进行了说明，我们把我们的方法的角度来看，相对于经典的方法修剪最小二乘稳健回归。
2020-11-28 math.ST q-fin.MF q-fin.RM
Coherence and elicitability
财务状况的风险通常用风险度量来概括。由于必须根据历史数据估计这一风险度量，因此必须能够验证和比较相互竞争的估计程序。在统计决策理论中，这种验证和比较是可能的风险度量被称为可引出的。众所周知，基于分位数的风险度量，如风险价值是可引出的。在本文中，我们表明，法律不变的谱风险措施，如预期损失是不elicitable，除非他们减少到负的期望值。因此，不清楚如何进行预测验证或比较。然而，这类导出的律不变的一致性风险度量并没有减少到负的期望值。我们表明，它包括某些预期。
2014-03-31 math.ST q-fin.RM q-fin.ST
E-backtesting
Georgia State University（佐治亚州立大学）；University of Waterloo（滑铁卢大学）；ETH Zurich（苏黎世联邦理工学院）
针对巴塞尔协议下ES取代VaR成为银行业核心市场风险度量后ES回测的难题，本文基于e值与e过程技术提出无模型ES回测方法，通过模拟与实证验证了其相较现有方法的优势。
2026-04-15 math.ST q-fin.RM stat.ME
Combining Deep Learning and GARCH Models for Financial Volatility and Risk Forecasting
Krakow University of Economics（克拉科夫经济大学）；University of Warsaw（华沙大学）
本研究结合GARCH类模型与GRU网络构建混合金融预测方法，经三类资产测试发现其能提升点波动率预测精度，但未必能优化VaR与ES风险预测效果。
2023-10-02 cs.AI cs.LG q-fin.CP
Higher order elicitability and Osband's principle
A statistical functional, such as the mean or the median, is called elicitable if there is a scoring function or loss function such that the correct forecast of the functional is the unique minimizer of the expected score. Such scoring functions are called strictly consistent for the functional. The elicitability of a functional opens the possibility to compare competing forecasts and to rank them in terms of their realized scores. In this paper, we explore the notion of elicitability for multi-dimensional functionals and give both necessary and sufficient conditions for strictly consistent sc…
2015-09-30 math.ST q-fin.MF q-fin.RM
Bayesian Semi-parametric Realized-CARE Models for Tail Risk Forecasting Incorporating Realized Measures
通过在传统的CARE模型中引入一个度量方程，提出了一个新的模型框架-实现条件自回归期望（Realized-CARE）模型，该模型类似于实现GARCH模型。竞争性的已实现度量（例如已实现方差和已实现范围）被用作度量方程中的因变量，并驱动预期动态。这里的测量方程模拟了实现的测量和潜在的条件期望之间的同时依赖关系。我们还建议采用分位数损失函数作为目标标准，而不是传统的违规率，在预期水平的网格搜索。对于所提出的模型，通常的搜索过程和非对称最小二乘（ALS）优化，以估计预期水平和CARE参数证明具有挑战性，往往无法收敛。我们采用了快速随机游走Metropolis随机搜索方法，并结合更有针对性的网格搜索程序，以合理快速并提高该水平和相关模型参数的估计准确性。鉴于收敛问题，贝叶斯自适应马尔可夫链蒙特卡罗方法估计，而他们的属性进行评估，并通过模拟研究与ALS相比。在对7个市场指数和2个单项资产收益率的实际预测研究中，与原始CARE模型、参数GARCH模型和Realized-GARCH模型相比，一天前的风险价值和预期损失预测结果更有利于建议的Realized-CARE模型，特别是当将实现范围和子采样实现范围作为模型中的实现度量时。
2016-12-27 q-fin.RM stat.ME
What is the best risk measure in practice? A comparison of standard measures
预期损失（ES）已被广泛接受为一种风险度量，在概念上优于风险价值（VaR）。然而，与此同时，它也因与回溯测试有关的问题而受到批评。特别地，已经发现ES不是可引出的，这意味着ES的回测不如例如回测VaR。期望值被认为是ES和VaR的潜在更好的替代品。在本文中，我们重新审视普遍接受的理想性质的风险措施，如一致性，共单调可加性，鲁棒性和elicitability。我们检查风险值、ES和期望值是否具有这些属性，特别是期望值。我们还考虑了它们对资本配置的影响，这是风险管理中的一个重要问题。我们发现，尽管适用于ES的估计和回测的警告，它可以被认为是一个很好的风险措施。因此，没有足够的证据证明在应用程序中用Expectles全面取代ES。对于ES的回测，我们提出了一种经验方法，包括用一组四个分位数取代ES，这应该允许使用VaR的回测方法。保留字：回溯测试;资本配置;连贯性;多样化;可引出性;预期损失;可预期的;预测;概率积分变换;风险度量;风险管理;稳健性;风险价值
2015-04-28 q-fin.RM
Verification of internal risk measure estimates
本文关注顺序计算的风险措施的金融数据，并询问如何，给定一个风险测量程序，我们可以告诉它产生的答案是否是“正确的”。我们区分了“外部”和“内部”风险衡量标准，并专注于后者，我们实时观察数据、做出预测并观察结果。有人认为，对这种程序的评价最好从概率预测或Dawid的“预测统计”理论的角度来处理[Dawid，JRSS（A）1984]。我们引入了一个概念的“校准”的风险措施在一个动态的设置，以下的戒律Dawid的弱和强的先决条件的原则，并检查其应用分位数预测（风险价值-风险值）和均值估计（适用于CVaR -预期损失）。这些想法之间的关系和“elicitability”[Gneiting，JASA 2011]进行检查。我们特别表明，风险价值具有特殊的属性不共享的任何其他风险措施。转向CVaR，我们认为，它的主要不足之处是不可量化的尾部依赖的估计。在最后一节中，我们表明，一个简单的数据驱动的反馈算法可以产生VaR估计的金融数据，很容易通过一致性测试和进一步的新引入的统计测试的二进制序列的独立性。
2015-11-19 q-fin.RM
Model Validation of Agentic AI Systems: A POMDP-Based Framework for Belief-State, Forecast, and Policy Validation
Quiota LLC（Quiota公司）
提出基于部分可观测马尔可夫决策过程（POMDP）的智能体AI模型验证框架，将自主决策分解为信息、信念、预测、动作和效用组件独立验证，并通过投资组合管理案例展示其有效性。
2026-06-17 cs.AI cs.LG q-fin.RM
A high-frequency approach to Realized Risk Measures
本文提出高频数据驱动的 RRM 方法，通过从属过程、移动平均滤波、厚尾建模及分布外推估计 VaR 与 ES，并在模拟和18只美股上验证其优于 RQ。
2025-10-18 q-fin.RM
