.png){kind=icon}
返回
Conditional generalized quantiles as systemic risk measures: Properties, estimation, and application
.png){kind=icon}
PRE
AI
DOI：10.1016/j.matcom.2025.03.011.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
条件L-1分位数，或简称为条件分位数，对于衡量系统性风险至关重要，即一个或多个金融市场所经历的压力传播到其他市场的风险。可以构建基于条件分位数的风险价值（CoVaR），但它仅依赖于损失发生的概率。 alternatively，可以定义基于条件期望分位数的风险价值（CoEVaR）或L-2-CoVaR，但它过于敏感，因此对极端损失缺乏稳健性。在本文中，我们旨在基于条件L-p分位数构建一种广义的系统性风险度量，称为L-p-CoVaR，当条件风险使用L-p-VaR度量时，其中p ≥ 1。我们发现，对于椭圆分布损失的所有线性投资组合，L-p-VaR和L-p-CoVaR是一致的；对于具有重右尾的独立同分布损失，在较高置信水平下它们渐近一致。此外，我们确定了它们的估计量及其相应的渐近性质。特别地，我们使用多元Copula进行L-p-CoVaR估计，从而能够连接边际风险模型并捕捉其复杂依赖关系。我们的蒙特卡罗模拟研究表明，1 < p < 2时的L-p-VaR和L-p-CoVaR估计量，分别比VaR和CoVaR以及EVaR和CoEVaR估计量表现出相对更好的（条件）覆盖性能。此外，基于具有重尾边际和尾依赖结构的最佳拟合依赖模型的加密货币回报数据的实证研究验证了这一结果。它还证实，1 < p < 2时的L-p-VaR和L-p-CoVaR，分别不像VaR和CoVaR那样不敏感，也不像EVaR和CoEVaR那样敏感于极端损失。与相应的VaR和CoVaR相比，它们在较高置信水平下的较低保守性对于确定所需资本储备具有实际重要性。
Keyword:
Conditional value-at-risk
Conditional quantile
Conditional expectile
Statistical robustness
Multivariate copula
Monte Carlo simulation
期刊
IF:
4.4
论文数:
933
被引数:
1.0W
机构
引用论文
Inter-order relations between equivalence for L-quantiles of the Student's t distribution等价类中关于学生t分布的L分位数的顺序关系
OAAI
OAAI分享收藏Assessing systemic risk and connectedness among dirty and clean energy markets from the quantile and expectile perspectives.png)
ENERGY ECONOMICS
ENERGY ECONOMICSIF14.2
PREAI
分享收藏Modifying (M)CoVaR and constructing tail risk networks through analytic higher-order moments: Evidence from the global forex marketsPLOS ONE
OAAI
PLOS ONEIF0
OAAI分享收藏Tail risks in large portfolio selection: penalized quantile and expectile minimum deviation models大组合选择中的尾部风险：惩罚分位数和中心期望最小偏差模型
PREAI
分享收藏
查看更多内容