FORECASTING EXPECTED SHORTFALL WITH A GENERALIZED ASYMMETRIC STUDENT-T DISTRIBUTION
Bibliographic record
Abstract
De façon générale, les rendements financiers sont caractérisés par des queues épaisses et une certaine asymétrie. Ainsi, les modèles à variance conditionnelle dotés de ces caractéristiques donnent de meilleurs résultats que les modèles plus limités. La différence dans les résultats obtenus peut être particulièrement importante lorsqu'il s'agit d'évaluer des quantités qui dépendent des caractéristiques des queues, y compris les mesures du risque, tel que le manque à gagner prévu. Dans le cas actuel, en recourant à une généralisation récente de la distribution asymétrique suivant la loi t de Student, de sorte que des paramètres distincts limitent l'asymétrie et l'épaisseur de chaque queue, nous intégrons les rendements financiers quotidiens et estimons le manque à gagner prévu dans le cas de l'indice S&P 500 et de certaines actions de compagnies individuelles. La distribution généralisée est utilisée pour les innovations normalisées contenues dans un modèle asymétrique non linéaire de type GARCH. Les résultats démontrent de façon empirique l'utilité de la distribution généralisée pour améliorer les prévisions au sujet du risque de perte en cas de baisse du marché des actifs financiers.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.003 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.000 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one teacher head, not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".