2024-05-09-IMF-Forecasting_Tail_Risk_via_Neural_Networks_with_Asymptotic_Expansions_38页_3mb

研究主题与动机

提出一种机器学习方法CoFiE-NN，将神经网络（NN）与Cornish-Fisher展开（CoFiE）结合，用于预测尾部风险（衡量使用VaR），特别关注外汇市场。

方法组成

CoFiE-NN框架：

1. 使用LSTM（主要）或FFNN（备选）神经网络预测高阶统计矩（均值、方差、偏度、峰度）。
2. 利用Cornish-Fisher展开（一种统计公式）将预测的矩转换为VaR值，保持了传统公式的形式并引入灵活性。

实验与比较

1. 模拟数据：CoFiE-NN在短期数据上优于EGARCH-t模型，但在独立性测试上输给CAViaR模型，在损失函数上表现仲裁。
2. 真实数据：主要在外汇等类别下测试30种资产。CoFiE-NN（尤其是LSTM）在危机与非危机时期普遍优于EGARCH-t和EVT模型，但输给CAViaR。
   • 它能在较短样本期内有效训练，适用于新兴市场、数据稀疏环境。

尾部风险比率（TRR）新指标

提出TRR，定义为VaR标准化后的值（（VaR - 均值）/ 方差），旨在衡量风险水平，考虑不同资产的波动性差异，方便跨资产、国家比较。

应用发现

1. 跨22种外汇分析发现仅20%的尾部风险动态由全局因素解释，而波动性则由约60%的全球因素主导。
2. PCA因子分解显示全局因素、中国因素（尾部风险）、美欧因素（波动性）、亚洲/拉丁美因素与东欧因素。
3. 全球因素动态：尾部风险比因子在危机期更频繁跳升，可能更早反映市场变化。

结论与展望

总结：CoFiE-NN平衡了灵活性与可解释性，在预测VaR方面对传统模型有优势。
未来：可扩展为多变量、长期预测，并探索纳入更高阶矩。