基于复合非对称最小二乘与经验似然的条件尾部相关风险估计
统计理论
2018-07-05 v1 统计理论
摘要
在本文中，我们利用复合非对称最小二乘（CALS）与经验似然，提出一种两步法来估计 GARCH 序列的条件风险价值（VaR）与条件期望损失（ES）。首先，我们在若干显著性水平下进行非对称最小二乘回归，以建模波动率结构并将其与 GARCH 模型中的新息过程分离。注意到期望分位数（expectile）可作为桥梁弥补从 VaR 估计到 ES 估计的缺口，因为期望分位数与特定分位数之间存在双射映射，且 ES 可通过一个简单公式由期望分位数导出。随后，我们引入经验似然方法来确定上述关系；该方法为数据驱动且无分布假设。理论研究表明所得估计量具有一致性及渐近正态分布等渐近性质。我们进行了蒙特卡洛实验与实证应用以评估所提方法的性能。结果表明，我们的估计方法与若干现有的替代性尾部相关风险估计方法相比具有竞争力。
引用
@article{arxiv.1807.01666,
title = {Conditional Tail-Related Risk Estimation Using Composite Asymmetric Least Squares and Empirical Likelihood},
author = {Sheng Wu and Yi Zhang and Jun Zhao and Liming Shen},
journal= {arXiv preprint arXiv:1807.01666},
year = {2018}
}
备注
41 pages, 5 tables, 3 figures