通过分位数动力学的顺序学习捕获深尾风险-研究论文

上传者: 38628612 | 上传时间: 2021-12-26 22:02:48 | 文件大小: 577KB | 文件类型: -
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。

文件下载

评论信息

免责申明

【只为小站】的资源来自网友分享,仅供学习研究,请务必在下载后24小时内给予删除,不得用于其他任何用途,否则后果自负。基于互联网的特殊性,【只为小站】 无法对用户传输的作品、信息、内容的权属或合法性、合规性、真实性、科学性、完整权、有效性等进行实质审查;无论 【只为小站】 经营者是否已进行审查,用户均应自行承担因其传输的作品、信息、内容而可能或已经产生的侵权或权属纠纷等法律责任。
本站所有资源不代表本站的观点或立场,基于网友分享,根据中国法律《信息网络传播权保护条例》第二十二条之规定,若资源存在侵权或相关问题请联系本站客服人员,zhiweidada#qq.com,请把#换成@,本站将给予最大的支持与配合,做到及时反馈和处理。关于更多版权及免责申明参见 版权及免责申明