文件名称：使密度预测模型在统计上保持一致-研究论文
文件大小：330KB
文件格式：PDF
更新时间：2024-06-29 13:34:35
Density Forecasting Statistical
我们提出了一种新的密度预测优化方法，并将其应用于风险价值估计。 所有现有的密度预测模型都试图仅根据观测时的预测密度来优化收益分布。 在本文中，我们认为应该优化概率预测，而不仅仅是这个准确度分数，并建议在训练期间也应该优化概率估计的统计一致性。 统计一致性是指如果预测的密度函数表明发生概率为 P%，则该事件确实应该具有发生概率 P。 我们描述了一个质量分数，它可以根据概率积分变换的统计一致性对概率密度预测进行排序（Diebold 等人，1998b）。 然后，我们描述了一个框架，可以根据任何目标函数集优化任何密度预测模型。 该框架使用多目标进化算法来确定一组称为最优解的帕累托前沿的权衡解。 使用该框架，我们开发了一种优化密度预测模型的算法，并为 GARCH（Bollerslev，1986）和 GJR 模型（Glosten 等，1993）实施该算法。 我们称这些新模型为 Pareto-GARCH 和 Pareto-GJR。 为了确定这种密度预测模型的多目标优化方法是否比标准 GARCH 和 GJR 优化技术产生更好的结果，我们比较了在风险价值应用程序上凭经验产生的模型。 我们的评估表明，我们的帕累托模型在样本外产生了出色的结果。