本论文将动态贝叶斯网络(DBN)方法扩展用于直接估计10天97.5% 的期望损失(ES)与应激期ES(SES),以S&P 500作为交易台代理,比较了三种DBN结构学习算法与若干传统风险模型(ARCH/GARCH/EGARCH/RiskMetrics/历史模拟/Delta-normal),并在1991–2020年的7,286个滚动样本上进行回测与误差评估。主要发现:所有模型在统计回测上均未能在97.5%显著性水平下通过(反映极端尾部建模困难);在ES预测中EGARCH(正态)表现最佳,在SES中GARCH(正态)最优;当改用偏斜Student’s t分布时,基于分布的模型整体表现显著恶化;DBN相当于历史模拟,但其在尾部预测上的作用受限于只占返回分布中一日向前的较小权重,建议未来研究探索增加DBN前瞻预测权重的加权方案以增强尾部预测能力
| 模型 | 正态分布(Breaches) | 偏斜Student’s t(Breaches) |
|---|---|---|
| ARCH(1) | 19 | 19 |
| GARCH(1,1) | 10 | 21 |
| EGARCH(1,1) | 8 | 2 |
| RiskMetrics | 11 | 18 |
| Historical Simulation | 3 (分布无关) | — |
| Delta-Normal | ? (分布无关) | — |
| BN (MMHC / PC / SI-HITON-PC) | 3 / 3 / 3 | — |
| 模型 | 分布 | MAE | RMSE | MAPE |
|---|---|---|---|---|
| EGARCH(1,1) | 正态 | 0.0546 | 0.0669 | 45.650% |
| GARCH(1,1) | 正态 | 0.0559 | 0.0717 | 46.842% |
| Historical Simulation | — | 0.0917 | 0.0987 | 96.973% |
| BN (PC/ SI-HITON-PC) | — | ~0.0917 | ~0.0987 | ~96.97% |
元数据与概览(引言与报告概览)
逐节深度解读
图表与表格深度解读(关键表格)
表 1(10-day 97.5% ES 违约次数,见 report p12):该表列出 ARCH(1)、GARCH(1,1)、EGARCH(1,1)、RiskMetrics 在正态与偏态 t 下的违约次数,以及三种 BN 与历史/Delta 的违约情形(历史与三 BN 均为 3 次违约,EGARCH 偏态 t 仅 2 次),说明:
条件回测结果表(Table 2,见 p13–14):该表表明对于能执行条件回测的模型(存在至少一个 VaR 违约),在 97.5% 置信区间下多数模型被拒绝(即预测不准确),而对某些模型因无对应 VaR 违约而无法执行该回测(“Cannot perform backtest”)。这说明单纯观测违约次数不足以说明模型质量,条件回测强调 ES 与 VaR 的联合检验。
预测误差表(Table 3, ES 的 MAE/RMSE/MAPE,见 p15):
SES 违约与误差表(Tables 4 & 6,见 p16–19):
估值/预测模型解释(报告并无企业估值,但需解释方法学)
风险因素评估(来自报告)
批判性视角与细微差别
结论性综合
附:重要表格的引用占位(原文表格位于指定页)
(结束语)以上分析力求对报告的结构、每一重要论点、关键数据、表格内容、方法学假设、回测结果与局限性做详尽剖析与客观评述,并在引用具体结论或数据时标注了原文页码以便溯源与复核。
2512.12334.pdf