作者
摘要
在类似Realized-GARCH的框架中，通过在传统CARE模型中加入测量方程，提出了一个新的框架，称为Realized Conditional Autoregressive Expectile（Realized-CARE）。范围和已实现度量（已实现方差和已实现范围）被用作度量方程的因变量，因为它们已被证明比波动率估计的回报更有效。可以用这个测量方程来模拟范围和已实现测量值与预期值之间的相关性。引入该测量方程将潜在地提高预期水平的网格搜索精度。此外，通过采用二次拟合目标搜索，网格搜索的速度显著提高。贝叶斯自适应马尔可夫链蒙特卡罗用于估计，并在仿真研究中证明了其相对于最大似然法的优越性。此外，我们提出了一种创新的子采样实现范围，并采用了现有的缩放方案，以处理高频波动率测度的微观结构噪声。与CARE、参数GARCH和Realized GARCH模型相比，6个指数和3个资产系列的风险价值和预期缺口预测结果有利于所提出的Realized CARE模型，尤其是具有Realized Range和子样本Realized Range的Realized CARE模型。
建议引用
Gerlach，Richard&Wang，Chao，2015年。"结合区间和实现测度的尾部风险预测贝叶斯半参数实现CARE模型,"工作文件2015-07，悉尼大学商学院，商业分析学科。手柄：RePEc:syb:wpbsba:2123/13800
更正
本网站上的所有材料均由各自的出版商和作者提供。你可以帮助纠正错误和遗漏。请求更正时，请提及此项目的句柄：RePEc:syb:wpbsba:2123/13800。请参阅一般信息关于如何更正RePEc中的材料。
如果您编写了此项目，但尚未在RePEc注册，我们鼓励您这样做在这里。这允许将您的个人资料链接到此项目。它还允许您接受我们不确定的该项目的潜在引用。
我们没有这个项目的参考书目。您可以使用这个表格.
如果你知道引用这一条的缺失条目，你可以通过以与上述相同的方式为每个引用条目添加相关引用来帮助我们创建这些链接。如果您是此项目的注册作者，您可能还需要检查您的RePEc作者服务个人资料，因为可能有一些引文等待确认。
有关本项目的技术问题，或更正其作者、标题、摘要、书目或下载信息，请联系：Artem Prokhorov（以下电子邮件可用）。供应商的一般联系方式：https://edirc.repec.org/data/sbsydau.html.
请注意，更正可能需要几周时间才能筛选出来各种RePEc服务。
