本文系统研究尾部风险度量及其生成器的可识别性与可引出性，在此基础上建立了尾部风险度量与其对应分位数的联合可识别性和可引出性理论，揭示了两者对应的识别函数和一致性评分函数的构造方法。提出了一类加权评分函数，包含Fissler和Ziegel为期望短缺与分位数设计的评分函数，提升了尾部风险模型拟合与验证的统计工具箱，为回归、广义矩估计和机器学习等方法的应用奠定理论基础 ¹²¹⁴²⁴

研究背景与动机 ¹²

• 尾部风险度量（如VaR、ES）是银行和保险监管重要指标，且由生成风险度量导出。
• 存在识别和引出性的统计性质，对模型拟合、比较及回测至关重要。
• 文章关注尾部风险度量与其生成器之间的识别函数和评分函数的关联。

基础概念及定义 ³⁴⁵⁶

• 介绍概率分布、分位数、VaR、ES及Range VaR的定义。
• 尾部分布定义及尾部风险度量的生成器概念。
• 明确定义识别函数、可识别性、评分函数及可引出性。
• 详述常用风险度量的识别与一致评分函数（如均值、分位数、ES及RVaR）示例。

主要理论结果——可识别性 ¹⁰¹¹¹²

• 提出尾部风险度量与生成器的识别函数之间的转换公式（Proposition 4.1）。
• 证明若生成器可识别，则分位数与尾部风险度量的配对联合可识别（Theorem 4.3）。
• 给出对应的修正项保证识别函数的结构一致。
• 例如，VaR的生成器仍为VaR，展示具体识别函数构造。

主要理论结果——可引出性及评分函数 ^13141516

• 证明尾部风险度量的可引出性导出其生成器的可引出性（Proposition 5.1）。
• 构造基于生成器评分函数的尾部风险度量与分位数联合的严格一致评分函数，包含修正项和单调性条件（Theorem 5.3）。
• 该评分函数拓展加权评分函数，动态门限基于分位数预测，增强理论深度。
• 讨论评分函数的顺序敏感性，保证评价的合理性（Proposition 5.6）。

典型尾部风险度量及生成器示例 ¹⁷¹⁸

• 期望生成ES的经典例证，评分函数体现严格一致性。
• 新拓展提出尾部τ-期望值生成的尾部风险度量与分位数配对具有可引出性（Proposition 5.8），支持带严格凸函数的加权评分。
• 生成器为期望比值的情形也满足可引出性，拓展适用范围（Proposition 5.9）。
• 短缺风险度量生成器可构造严格一致评分函数，支持典型风险度量广泛应用。

尾部分布的整体评分规则探讨 ²⁰²¹

• 引入概率预测的proper scoring rules，提出尾部分布的严格proper评分函数构造。
• 结合分位数和尾分布拓展CRPS，加权CRPS等，支持整体尾部分布预测及模型验证。

结果推广——左尾与区间风险度量 ^21222324

• 理论框架平移到分布左尾，结构对称但评分函数单调性条件相反（Theorem 6.1）。
• 推广至分布区间体部风险度量，给出联合可识别和可引出的评分函数（Theorem 6.2，6.3）。
• 应用于RVaR的三元组（两个分位数和RVaR）分析，并与既有成果对应。

研究贡献与未来方向 ²⁴²⁵

• 系统构建了尾部风险度量与生成器间识别函数及评分函数的相互转换机制。
• 提供了新型加权评分函数族，提升尾部风险估计工具的理论和应用价值。
• 提出若干开放问题，包括区间风险度量的进一步刻画、严格评分函数的完整特征及引出复杂度等。

深度剖析报告：《Elicitability and identifiability of tail risk measures》

1. 元数据与概览

报告标题：《Elicitability and identifiability of tail risk measures》
作者：Tobias Fissler、Fangda Liu、Ruodu Wang、Linxiao Wei
发布日期：2025年10月22日
研究主题：主要探讨了金融风险管理中的尾部风险测量方法，特别是针对尾部风险测度（如VaR、ES及RVaR）及其生成函数的统计性质——可识别性（identifiability）与可引出性（elicitability）。

核心论点及目标：
论文确立了尾部风险测量和其对应的分位数的联立可识别性与可引出性条件，前提是生成函数本身具备这些性质。进一步，研究对于统计模型的拟合、比较和验证（特别是背测，backtesting）有着关键意义。论文通过提出新型加权评分函数扩展了Fissler和Ziegel对期望短缺（ES）和分位数联合可引出性的经典结果，推进了尾部风险测量的理论基础。

作者传达的主要信息：

• 明确了尾部风险测量的可识别性与可引出性可以通过其生成风险测量的方法得到保证和转换。
• 新提出的加权评分函数为回归和广义矩方法提供了便捷工具，并为风险预测的模型验证提供了理论支持。
• 在尾部风险测量领域系统地解决了生成函数可引出性与风险测量联合可引出性的关联难题。

2. 逐节深度解读

2.1 引言

• 关键论点：尾部风险测度如VaR和ES在银行监管（Basel III/IV）与保险监管（Solvency II）框架中占据核心地位。除了VaR和ES之外，现有文献还包含多种尾部风险测度（尾部标准差、尾部熵风险、Glue VaR、Gini短缺和区间VaR等）。
• 推理：金融监管需准确衡量极端损失风险，多种测度已被开发以适应不同风险偏好和性质。
• 意义：提出识别和引出性属性可方便统计估计和模型验证，回应实际应用需求。

2.2 论文动机与主要贡献

• 论点：若生成风险测度是可识别和可引出的，相应的尾部风险测度能否继承这种属性？
• 依据：期望是可引出的，VaR与ES合成向量也可引出，这激发了研究的动机。
• 主要贡献：
  • 理论证明生成函数的可识别性/可引出性必然且充分条件保证尾部风险与分位数的联合可识别/可引出性。
  • 提出一种新型加权评分函数包括Fissler与Ziegel (FZ) 的期望短缺与分位数评分函数。
• 方法与假设：基于统计学定义的“Z-和M-估计”，广义矩法，回归分析，机器学习工具应用。
• 结果效用：为风险模型的拟合与背测提供坚实统计理论基础。

2.3 结构概述

• 章节安排详明，从尾部风险测度基础知识、关键定义、可识别性及可引出性的理论结果，到左右尾及分布体部分的延伸分析。

2.4 预备知识 —— 尾部风险测量的数学框架

• 基本定义
  • 概率分布空间$\mathcal{M}^0$；$\mathcal{M}^q$为有$q$阶矩有限的分布子集；$F^{-1}(t)$为分布$F$的左侧广义反函数（左分位数）。
• 风险测度定义
  • $\rho: \mathcal{M} \to \mathbb{R}\cup\{\pm\infty\}$为映射，$F$代表损失分布，$\rho(F)$为资本需求。
  • VaR的上下分位数定义及区别，强调实际应用通常假设分布连续而忽略这一区别。
  • ES定义为尾部损失的条件期望，ES的极限性质（如$p=0,1$时的连接意义）。
• 区间VaR (RVaR)
  • 结合VaR和ES特征的中间风险测度，可减少VaR的脆弱性又保留ES的优势。

2.5 尾部分布与尾部风险测量

• 尾部分布定义：
  $F_p(x) = \frac{(F(x) - p)_+}{1-p}$
  表征分布右尾超过$p$分位点之后的损失分布。
• 尾部风险测度：定义中，尾部风险测度仅依赖尾部分布，即$\rho(F) = \rho^*(F_p)$，$\rho^*$称为生成器。
• 尾部风险的生成关系：存在唯一生成函数$\rho^*$对应尾部风险测度，反之由生成函数确定尾部风险测量。

2.6 可识别性、可引出性、凸水平集（CxLS）

• 定义
  • 可识别性（Def 3.1）：存在识别函数$V$，使得风险测度是$V$的零点集合。
  • 可引出性（Def 3.2）：存在一致评分函数$S$，使得风险测度是最小化$S$的唯一解。
  • 条件可引出性：风险测度$T$基于另外一个可引出的$T'$的条件集可引出。
• 示例说明：
  • 均值的识别函数$V(x,y)=x-y$，一致评分函数包含平方误差。
  • 分位数的识别函数基于指示函数，典型一致评分函数如凸函数的pinball损失。
  • ES作为单一函数不可引出，但$(Q_p,ES_p)$联立是可识别和可引出的，且其评分函数构建复杂。
  • RVaR的三元组$(Q_p,Q_q,RVaR_{p,q})$亦存在类似结构。
• 凸水平集性质（CxLS)：可引出性蕴含此性质，是参数函数不可或缺的几何组织特征。

2.7 可识别性理论结果（第4节）

• 命题4.1：尾部风险测度$\rho$的可识别性蕴含生成器$\rho^*$的可识别性，且给出了由$\rho$的识别函数生成$\rho^*$识别函数的构造方法（方程4.1,4.2）。
• 定理4.3（逆向建立）：给定$\rho^*$可识别，则$(Q_p,\rho)$联合可识别，识别函数形式明确（方程4.3含“修正项”）。
• 注释：连带修正项是为和后续可引出性结果中的评分函数形式保持结构一致。
• 例证4.5：ES作为以均值为生成器的尾部风险测度，通过均值识别函数直接构建ES的联合识别函数。
• 结论性推论4.7：由$\rho^*$可识别引出联合尾部风险测度具有更强的凸水平集性质（CxLS*）。
• 限制说明4.6与5.13：RVaR的生成器通常不可识别，从而导致RVaR的尾部测度及联合测度不可识别/不可引出。

2.8 可引出性主要结论（第5节）

• 命题5.1：$\rho$或$(Q_p,\rho)$的可引出性同样决定生成器$\rho^*$的可引出性，且存在对应评分函数的转换规则（方程5.1,5.2）。

• 定理5.3：当生成器$\rho^*$已知可引出并满足乐观性的单调条件（生成评分函数对观测损失$y$严格单调递增），则：

  • (i) $\rho$对给定分位数值条件可引出。
  • (ii) 生成器严格递增条件保障$(Q_p,\rho)$联合可引出，评分函数公式给出（式5.4，带修正项）。
  • (iii) 在附加技术假设下，任何一致评分函数均为该形式。

• 关键假设解析：
  生成器的一致评分函数需严格递增于观测值，确保带阈值权重的加权评分函数严格一致性。

• 相关引理5.5：给出评分函数单调性调整的充分必要条件，涉及分数可加一个积分函数以改善单调性。

• 顺序敏感性（Prop 5.6）：证明了评分函数对于分位数预测的简单单调性，对预测质量比较有直观意义。

2.9 具体实例

• 5.7 期望与ES对：通过选择适当严格凸函数$\phi$，匹配经典Fissler-Ziegel评分。
• 5.8 $\tau$-期望位（Tail expectile)：主创新之处，证明期望位作为尾部生成器时，联立分位数及尾部期望位组合具备可引出性，评分函数形式由严格凸函数构成。
• 5.9 比例期望：对定义为期望比的生成函数构造一致评估函数，条件为可微函数$u,t$。
• 5.11 短缺风险测度（Shortfall risk）：以核损失函数定义的广义风险度量，满足识别函数为核函数$V^*(m,y)=\ell(y-m)$，对应评分函数为核积分形式，条件下增加一定修正项保证单调性与一致性。
• 5.12 CoVaR指标不可引出：提示虽然CoVaR可识别，但其多变量观察下不可引出，体现了多维风险测量的复杂性。
• 5.13 RVaR不可引出：呼应可识别部分，说明生成器特性直接影响尾部风险测度的统计性质。

2.10 尾部分布的引出性（第5.3节）

• 引入概率预测的严格适当打分规则（proper scoring rules），如对概率分布而非单点预测进行评估。
• 给出CRPS（连续排名概率评分）等标准量化全分布预测准确性的评分，展示了如何构造适用于尾部分布及分位数联合的新的严格适当评分函数。

2.11 左尾及分布体部分衍生结果（第6节）

• 论文指出所有右尾结果可通过对称变换自然推广至左尾测度，重要用于收益型风险或对称性分析。
• 对区间尾部分布定义$F^{[p,q]}$，以此构建依赖于分布中间部分（分布体）的风险测度，特例即为RVaR。
• 相关的联合可识别性和可引出性结果以$(Q_p,Q_q,\rho^{[p,q]})$三元组呈现，提供了完整评分函数结构。
• 指明目前分布体风险测量的完整理论尚未完善，是未来研究重点。

2.12 结论性论述（第7节）

• 建立了生成器$\rho^*$的统计性质与尾部风险测度$\rho$的联合性质之间深刻联系与转换机制。
• 明确指出依赖分布体风险度量可引出性全貌尚未解析，特别是其生成器条件及诱导混合维度的分析困难。
• 提出诱导维度（elicitation complexity）研究方向，尤其是构造出适宜的联立问题以降维优化尾部风险测度的统计学习复杂度。

3. 图表与数学表达式深度解析

报告全文关键信息高度数学化，多为定义、定理、证明与示例，没有传统意义上的图表，但含有多个重要方程和数学结构，以下解读：

3.1 尾部分布定义及风险测度生成机制

• $F_{p}(x) = \frac{(F(x) - p)_+}{1-p}$
  此表达确立了尾分布的概念，将总体分布$F$的尾部（超过$p$分位点）截取并归一化。该分布是构建尾部风险测量的基础。

• $\rho(F) = \rho^{*}(F_p)$
  该关系结构表明尾测度$\rho$依赖于生成函数$\rho^*$对尾分布的评价，提升了理论抽象层级。

3.2 识别函数与评分函数结构表达

• 识别函数示例：
  $V(x,y) = x - y$
  对于均值，线性差异作为识别函数表明均值是分布的固定点。

• 分位数的识别函数：
  $V(x,y) = \mathbb{1}_{\{y \leq x\}} - p$
  指示函数形式捕捉分位数在概率水平上的意义，是非平滑且对分布形状敏感。

• 类似的评分函数以凸函数为基础，如均值的平方误差损失：
  $S(x,y) = (x - y)^2$

• ES与分位数的联合识别函数（式3.3）与评分函数（式3.4）精妙地结合了二者的统计特性，体现了复杂风险度量的联合统计可量化结构。

3.3 识别函数与评分函数构造的转换

• 由尾测度到生成函数：
  $V_r^*(x,y) = (1-p)V(x,y) + p V(x,r)$
  反映了用权重混合保留尾部与“补充点”的贡献，这是一种对风险测量识别结构的递归分解方式。

• 对应评分函数转换：
  $S_r^*(x,y) = (1-p)S(x,y) + p S(x,r)$
  同理，权重线性融合体现了尾部与补丁点集成在估计目标中的位置。

3.4 评分函数的加权结构及修正项（式5.4）

• 评分函数中包含的两项：
  $S(v,x,y) = \mathbb{1}_{\{y > v\}} S^*(x,y) + (\mathbb{1}_{\{y \leq v\}} - p) S^*(x,v) + a(y)$
  • 第一部分为加权评分，仅考虑大于分位点$v$的损失。
  • 第二部分是修正项，确保整体评分对$Q_p$预测（$v$）的多维准确性。
• 这种结构通过局部权重修正把尾部风险的评估范围锁定在指定分位数以上，提高了统计判别力和一致性。

4. 估值分析

报告未涵盖传统财务估值如DCF或PE比例，核心对象是统计风险测度及其属性。实际上，其估值涉及风险测度对损失分布尾部的精确统计表示，其“价值”定义为风险度量值$\rho(F)$。报告重点是该数据估计与模型拟合的统计性质，而非资本市场投资价值的估价方法。因此，【估值分析】部分更多是对风险测度统计属性的解析，而非对企业或资产的估价。

5. 风险因素评估

报告言简意赅地指出，尾部风险测度的可识别性与可引出性可能因生成函数的性质受制约：

• 关键风险：生成函数不可识别/不可引出将导致尾部测度整体不可识别/不可引出，难以用统计方法有效拟合和评估（例如RVaR与其生成函数的情况）。
• 数据限制：尾部分布数据稀缺或失真可能影响识别函数和评分函数计算的稳定性。
• 模型局限：多维风险预测时（例如CoVaR等），现有理论不适用，面临多观察变量引致的不适应性。
• 未尽完善：对于分布体风险测度的联立可引出性仍存在知识盲区，需要进一步研究。

缓解策略体现在本论文中提出的笼统框架以及通过生成函数的条件实现尾部风险测度属性的转换，大幅推进了该领域的理论稳固性和适用性。

6. 批判性视角与细微差别

• 假设条件较严格：诸多定理依赖于技术假设（如分布连续性类、生成函数评分的严格单调性、积分可交换等），这些在实际金融数据中不一定满足。该点可能限制定理直接应用。
• 生成器条件为限制：所有显著结论皆基于生成器的可识别或可引出，实际中查找或构造满足这些属性的生成器尚有挑战。
• 多维延伸不足：多变量风险的引出性问题被明确指出但未解决，尤其是CoVaR等结构说明单变量尾部风险测度理论不能简单推广。
• 修正项的重要性：评分函数结构中修正项为理论关键，实务中这类设计不易理解，未来可增进直观解释及算法实现细节。
• 对概率分布的尾部完整预测评分提出新颖方案，但与已有方法如加权CRPS相较，具体性能待进一步实证验证。

7. 结论性综合

本文综述系统地探讨了尾部风险测量与其生成函数之间的统计性质联系，将尾部风险测度的可识别性和可引出性，尤其是与关键分位数的联合属性，和生成风险测度的可识别/可引出性之间建立了严密的理论映射。核心见解包括：

• 联合可识别性与可引出性：尾部风险测度与对应分位数联合的统计学性质可由其生成函数的同类性质推导，反之亦成立。具体识别与评分函数由深度形式构建，形如加权评分与修正项。
• 广义加权评分函数新颖设计：相较于Fissler和Ziegel经典ES评分，该类评分函数实现了预测依赖的权重调整，拓展了统计评估工具。
• 理论应用前景：清晰的条件设定促进风险度量的样本估计、模型拟合、比较及背测，对实际银行与保险监管风险管理框架具有指导价值。
• 典型实例拓展：包括期望、期望短缺、期望位、比例期望及短缺风险测度的理论整合，展示框架灵活性。
• 左右尾及分布体测度：结果可对称转换至左尾，同时对分布体部分的风险测度亦具潜在涵盖力，虽需未来深入发展。
• 开放问题：完整的生成函数分类、评分函数构造复杂性及多维风险测量的可引出性等亟待深入研究。

综上，全文的结构清晰、论证严谨，为尾部风险测量的统计学特性研究奠定坚实基础。该报告不仅拓展了理论视野，也为风险管理实务中模型拟合与风险测定方法提供了新的数学工具和视角，对金融风险的精准度量具有深远意义。^{1 2 5 10 12 14 17 20 22 24 25 26 27}