使用多目标可 elicitation 对系统性风险预测进行回测
Backtesting Systemic Risk Forecasts using Multi-Objective Elicitability
AI总结：
本文指出 CoVaR 等系统性风险度量不具备可 elicitable 性导致无法回测，提出基于多目标可 elicitation 和字典序二维分数的 Diebold-Mariano 检验，并利用红绿灯方法应用于 DAX 30 和 S&P 500 数据为监管机构提供建议。
摘要：
CoVaR、CoES 和 MES 等系统性风险度量在金融、宏观经济学及监管机构中被广泛使用。尽管它们很重要，我们表明它们不具备 elicitable 和 identifiable 特性。这使得通常被概括为“回测”的预测比较和验证变得不可能。多目标可 elicitation 的新概念解决了这一问题。具体而言，我们提出利用配备字典序的二维分数的 Diebold-Mariano 类型检验。我们通过一种易于应用的红绿灯方法来说明检验决策。我们将红绿灯方法应用于 DAX 30 和 S&P 500 收益率，并为监管机构推断出一些政策建议。
英文摘要：
Systemic risk measures such as CoVaR, CoES and MES are widely-used in finance, macroeconomics and by regulatory bodies. Despite their importance, we show that they fail to be elicitable and identifiable. This renders forecast comparison and validation, commonly summarised as `backtesting', impossible. The novel notion of \emph{multi-objective elicitability} solves this problem. Specifically, we propose Diebold--Mariano type tests utilising two-dimensional scores equipped with the lexicographic order. We illustrate the test decisions by an easy-to-apply traffic-light approach. We apply our traffic-light approach to DAX~30 and S\&P~500 returns, and infer some recommendations for regulators.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
