EXTENDING THE APPLICATION OF DYNAMIC BAYESIAN NETWORKS IN CALCULATING MARKET RISK: STANDARD AND STRESSED EXPECTED SHORTFALL
创建于 更新于
摘要
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 [page::0][page::21]
