本文开发了一个条件分位数模型，可以学习序列数据的长期和短期记忆。 它建立在顺序神经网络上，但输出可解释的动态。 我们使用 1960 年代至 2018 年的历史数据将该模型应用于 11 个资产类别的资产回报时间序列。我们的结果表明，它不仅提取了条件波动率中的序列依赖结构，还提取了深埋在历史价格尾部的记忆。 我们根据广泛的流行模型进一步评估其风险价值预测。 我们的模型优于 GARCH 系列以及使用过滤历史模拟、条件极值理论和动态分位数回归的模型。 这些研究表明，资产回报的条件分位数具有持续的风险来源，而这些来源并非来自那些负责波动性聚类的人。 这些发现可能对一般风险管理，尤其是尾部风险预测具有重要意义。
2021-12-26 22:02:48
577KB
1
一年级数学下册教学课件-6.2 两位数加一位数、整十数25-人教版(共17张PPT).pptx
2021-12-25 17:02:22
695KB