跳转至

Estimation risk in conditional expectiles

作者: Marcelo Fernandes, Vitor Henriques, Eduardo Fonseca Mendes
主题: 经济理论 / 应用
相关性: 6/10
链接: https://arxiv.org/abs/2609.02673

一、领域脉络与小综述

这个方向是什么

本文研究的子方向是在条件尺度模型（conditional scale model）下，对条件 expectile（条件期望分位数）进行统计推断。Expectile 是 Newey 和 Powell (1987) 提出的非对称最小二乘（ALS）估计量，是分位数（quantile）的最小二乘类比。近年来，expectile 作为风险度量工具受到金融和精算领域的关注，因为它同时满足一致性（coherent）、律不变性（law-invariant） 和可回溯测试性（elicitability）——这是唯一同时满足这三条性质的风险度量（Ziegel, 2016）。然而，现有文献对 expectile 的推断大多基于独立同分布（iid）数据或无条件设定，在时间序列条件尺度模型（如 GARCH）下的推断理论尚不完整。本文填补了这一缺口：它建立了条件 expectile 的两步估计量的相合性和渐近正态性，并量化了第一步尺度参数估计误差对第二步 expectile 估计的影响。

发展脉络

  1. 奠基工作：expectile 的定义与基本性质
  2. Newey and Powell (1987)：提出 ALS 估计量，定义 expectile，证明其在线性回归模型下的相合性和渐近正态性。
  3. Jones (1994) 和 Yao and Tong (1996)：建立 expectile 与分位数之间的映射关系，指出 expectile 是分位数的“平滑版本”，且两者在位置-尺度族下存在一一对应。

  4. Holzmann and Klar (2016) 和 Krätschmer and Zähle (2017)：建立无条件 expectile 的渐近理论——在 iid 设定下，样本 expectile 在有限二阶矩下是 √n-相合且渐近正态的；若分布连续，则 expectile 过程满足泛函中心极限定理。这是本文第二步估计的理论基础。

  5. 主要进展：expectile 作为风险度量

  6. Ziegel (2016)：证明 expectile 是唯一同时满足一致性、律不变性和可回溯测试性的风险度量。这一结果直接推动了 expectile 在金融风险度量中的应用。
  7. Bellini and Di Bernardino (2017)：将 expectile 解释为“为使期望损益比达到某个阈值所需追加的资本”，并建立了 expectile 与 omega ratio 的联系。
  8. Daouia, Girard and Stupfler (2018, 2020)：研究极端 expectile（τ_n → 1）的估计，提出加权 ALS 估计量，并建立其渐近分布。他们的结果依赖于重尾分布假设，且收敛速度为 √{n(1-τ_n)}，比 √n 慢。

  9. Girard, Stupfler and Usseglio-Carleve (2021)：将极端 expectile 估计扩展到条件异方差回归模型，采用两步法（先估计尺度参数，再用标准化残差估计极端 expectile）。他们发现：由于极端 expectile 的收敛速度（√{n(1-τ_n)}）慢于第一步尺度参数估计的 √n 速度，第一步估计误差不影响第二步的渐近分布。这是本文最直接的竞争工作。

  10. 当前 frontier：条件 expectile 在时间序列模型下的推断

  11. Taylor (2008) 和 Kuan, Yeh and Hsu (2009)：提出条件自回归 expectile（CARE）模型，直接对 expectile 建模，但缺乏完整的渐近理论。

  12. Francq and Zakoïan (2015)：在 GARCH 模型下，建立条件 VaR 和 ES 的两步估计量的渐近理论。他们先由 QML 估计尺度参数，再用标准化残差的经验分布估计无条件分位数/ES。本文直接借鉴了这一框架，但将目标从分位数/ES 替换为 expectile。

  13. 本文的位置：本文是第一个在条件尺度模型下，对固定水平 τ 的条件 expectile 建立完整两步估计渐近理论的工作。与 Girard et al. (2021) 的关键区别在于：固定水平 τ 的 expectile 估计以 √n 速度收敛（与第一步 QML 估计同速），因此第一步估计误差必须纳入渐近方差。本文的核心贡献就是量化了这一影响，并给出了可行的方差估计量和条件预测区间。

子线索聚类

  1. 无条件 expectile 的渐近理论（Holzmann and Klar, 2016; Krätschmer and Zähle, 2017）：iid 设定，√n-相合，渐近正态，需有限二阶矩。
  2. 极端 expectile 的估计（Daouia et al., 2018, 2020; Girard et al., 2021）：τ_n → 1，重尾分布，收敛速度慢于 √n，第一步估计误差可忽略。
  3. 条件风险度量的两步估计（Francq and Zakoïan, 2015; Gao and Song, 2008）：GARCH 模型下，先 QML 估计尺度，再用标准化残差估计 VaR/ES。本文将此框架从分位数/ES 扩展到 expectile。
  4. expectile 作为风险度量的应用（Bellini and Di Bernardino, 2017; Chen, 2018; Taylor, 2022）：expectile 与 VaR/ES 的比较，expectile-quantile 映射，omega ratio。

这个方向在追问的核心问题

  1. 如何量化第一步估计误差对第二步 expectile 估计的影响？ 当两步估计同速（√n）时，渐近方差必须包含协方差项。
  2. 如何构造可行的方差估计量和预测区间？ 需要一致地估计渐近方差中的各个分量（Ψ₀, σ²_ψ, J₀, Σ_θ, σ_ψθ）。
  3. 条件 expectile 在实际尾部风险度量中是否优于 VaR 和 ES？ 尤其是在加密货币这类高波动、重尾的市场中。

⚠️ 作者的 framing

作者将缺口 frame 成：“现有文献对条件 expectile 的推断几乎空白，只有少数时间序列研究（Taylor, 2008; Kuan et al., 2009; Bellini and Di Bernardino, 2017; Girard et al., 2021），且 Girard et al. (2021) 只处理极端 expectile（τ_n → 1），其第一步估计误差可忽略。对于固定水平 τ，第一步估计误差不可忽略，因此需要新的渐近理论。”——这是作者的核心叙事。

被淡化/回避的竞争路线： - CARE 模型（Taylor, 2008; Kuan et al., 2009）：直接对 expectile 建模，不依赖条件尺度模型。作者在 intro 中仅一笔带过，未讨论 CARE 模型是否更灵活或更稳健。 - 极端 expectile 的加权 ALS 估计（Daouia et al., 2018, 2020）：作者承认其存在，但强调其收敛速度慢于 √n，因此第一步估计误差可忽略——这恰恰是本文与它们的区别所在。

什么明显该被引/该存在、却没出现在 intro 里？ - Breckling and Chambers (1988)：M-quantile 的早期工作，expectile 是其特例。本文引用了，但仅在 intro 末尾的文献综述中一笔带过。 - Efron (1991)：回归百分位数与非对称平方损失。本文引用了，但同样未深入讨论。 - Abdous and Remillard (1995)：expectile 与分位数在加权对称性下的关系。本文引用了，但未展开。

张力

未见明显对立引用。所有被引工作对 expectile 的基本性质（一致性、可回溯测试性、与分位数的关系）看法一致。唯一可能存在的张力是：Girard et al. (2021) 认为第一步估计误差可忽略（因为极端 expectile 收敛慢），而本文认为不可忽略（因为固定水平 expectile 收敛快）——但这并非矛盾，而是不同设定下的不同结论。

二、最核心、最简单的例子 / 数学问题

第一步：符号、模型、可观测数据交代清楚

符号： - \( y_t \)：第 \( t \) 天的对数收益率（连续复利），可观测。 - \( \eta_t \)：第 \( t \) 天的创新（innovation），iid，均值为 0，方差为 1，不可观测。 - \( \sigma_t(\theta) \)：条件波动率，是 \( \theta \) 的函数，依赖于过去收益率。\( \theta_0 \) 为真实参数。 - \( \theta \)：条件方差模型的参数向量（如 GARCH 参数），待估。 - \( \tau \)：expectile 水平，固定常数（如 0.05 或 0.01）。 - \( \xi_0 = \text{XP}^\eta_\tau \)：创新的无条件 expectile，即 \( \mathbb{E}[\phi_\tau(\eta_t - \xi_0)] = 0 \) 的解，待估。 - \( c_{n+1} = \sigma_{n+1}(\theta_0) \xi_0 \)：第 \( n+1 \) 天的条件 expectile，待估。 - \( \phi_\tau(u) = |\tau - \mathbf{1}(u \le 0)| u^2 \)：expectile 的 check 函数（非对称平方损失）。 - \( \psi_t = \phi_\tau(\eta_t - \xi_0) \)：在真实参数下的 estimating function。 - \( w_t = w_\tau(\eta_t - \xi_0) = |\tau - \mathbf{1}(\eta_t < \xi_0)| \)：权重函数。 - \( \Psi_0 = \mathbb{E}[w_t] = \tau\{1 - F_\eta(\xi_0)\} + (1-\tau)F_\eta(\xi_0) \)：权重的期望。 - \( D_t = \partial_\theta \log \sigma_t(\theta_0) \)：对数波动率的梯度。 - \( J_0 = \mathbb{E}[D_t] \)：梯度的期望。 - \( s_t = a(\eta_t) D_t \)：QML 得分，其中 \( a(u) = \partial_s g(u, s)|_{s=1} \)，\( g \) 是 QML 的 log-likelihood。 - \( H_0 \)：QML 的负 Hessian 期望。 - \( \Sigma_\theta = H_0^{-1} \mathbb{E}[s_t s_t'] H_0^{-1} \)：QML 估计量的渐近方差。 - \( \sigma_{\psi\theta} = H_0^{-1} \mathbb{E}[s_t \psi_t] \)：QML 得分与 expectile score 的协方差。

模型：

\[y_{t+1} = \sigma_t(\theta_0) \eta_{t+1}, \quad \eta_t \sim \text{iid}(0,1), \quad \eta_t \perp \!\!\! \perp \{y_s: s < t\}.\]
这是一个条件尺度模型：条件均值为 0，条件方差为 \( \sigma_t^2(\theta_0) \)。\( \sigma_t(\theta) \) 是 \( \mathcal{F}_{t-1} \)-可测的，且由过去收益率决定（如 GARCH 模型）。

可观测数据： - 研究者实际能观测到的是收益率序列 \( \{y_1, y_2, \dots, y_n\} \)。 - 不可观测的是创新 \( \{\eta_t\} \) 和真实波动率 \( \{\sigma_t(\theta_0)\} \)。 - 研究者只能通过第一步 QML 估计 \( \hat{\theta}_n \)，然后计算标准化残差 \( \hat{\eta}_t = y_t / \tilde{\sigma}_t(\hat{\theta}_n) \) 来近似创新。

第二步：最小内核

最简特例：假设 \( \sigma_t(\theta_0) \equiv 1 \)（即无条件异方差），且 \( \eta_t \sim N(0,1) \)。此时模型退化为 iid 高斯序列。那么： - 第一步 QML 估计退化为估计均值（已知为 0）和方差（已知为 1），实际上不需要第一步。 - 第二步：样本 expectile \( \hat{\xi}_n = \arg\min_\xi \frac{1}{n} \sum_{t=1}^n \phi_\tau(y_t - \xi) \) 就是无条件 expectile 的 M-估计量。 - 由 Holzmann and Klar (2016)，\( \sqrt{n}(\hat{\xi}_n - \xi_0) \xrightarrow{d} N(0, \sigma^2_\psi / \Psi_0^2) \)，其中 \( \sigma^2_\psi = \mathbb{E}[\phi_\tau(\eta_t - \xi_0)^2] \)，\( \Psi_0 = \mathbb{E}[w_\tau(\eta_t - \xi_0)] \)。

本文的一般情形：当 \( \sigma_t(\theta_0) \) 未知且需估计时，第一步 QML 估计 \( \hat{\theta}_n \) 引入额外不确定性。核心数学困难是：如何将第一步估计误差纳入第二步 expectile 估计的渐近方差？ 本文的关键想法是：利用 Bahadur 表示将 \( \sqrt{n}(\hat{\xi}_n - \xi_0) \) 展开为 \( \Psi_0^{-1} \frac{1}{\sqrt{n}} \sum_{t=1}^n \psi_t - \xi_0 J_0' \sqrt{n}(\hat{\theta}_n - \theta_0) + o_p(1) \)，从而将渐近方差分解为三部分：① 若创新可观测时的方差（\( \sigma^2_\psi / \Psi_0^2 \)）；② 第一步 QML 估计的方差（\( \xi_0^2 J_0' \Sigma_\theta J_0 \)）；③ 两者的协方差（\( -2\xi_0 \Psi_0^{-1} J_0' \sigma_{\psi\theta} \)）。

一句话总结：本文在数学上干的事是：在条件尺度模型下，推导出固定水平 τ 的条件 expectile 的两步估计量的渐近方差显式表达式，并证明该方差包含第一步 QML 估计的贡献，且该贡献不可忽略（因为两步同速 √n）。

三、这篇论文做了什么

三句话

  1. 研究了什么问题：在条件尺度模型（如 GARCH）下，建立条件 expectile 的两步估计量（先 QML 估计尺度参数，再用标准化残差估计 expectile）的相合性和渐近正态性。
  2. 核心工具/方法：Bahadur 表示 + 联合中心极限定理（martingale CLT）+ 均匀局部展开（处理 expectile score 的非光滑性）。
  3. 主要结论：给出了无条件 expectile 估计量的渐近方差显式公式（含第一步估计误差的贡献），以及条件 expectile 的可行预测区间；蒙特卡洛模拟验证了有限样本性能；加密货币实证表明条件 expectile 的预测区间比 VaR 和 ES 更窄。

关键设定与假设

  • 模型：\( y_{t+1} = \sigma_t(\theta_0) \eta_{t+1} \)，\( \eta_t \) iid(0,1)，独立于过去收益率。这比 Girard et al. (2021) 的异方差回归模型更窄（无协变量），但更贴近金融时间序列。
  • 假设 A1（创新与目标 expectile）：\( \eta_t \) iid，均值为 0，方差为 1；\( F_\eta \) 在 \( \xi_0 \) 处连续。这比 Holzmann and Klar (2016) 的假设更弱（不需要绝对连续或密度有界）。
  • 假设 A4（条件尺度与识别）：\( \sigma_t(\theta) \) 有正下界，且 \( \theta = \theta_0 \) 是唯一使 \( \sigma_t(\theta) = \sigma_t(\theta_0) \) a.s. 的参数。这是 GARCH 模型的标准识别条件。
  • 假设 A5（有限历史逼近）：有限历史波动率 \( \tilde{\sigma}_t(\theta) \) 以几何速率逼近真实波动率 \( \sigma_t(\theta) \)。这是处理 GARCH 模型初始值问题的标准技巧。
  • 假设 A6（矩条件）：对 \( r=2 \) 只需二阶矩（相合性），对 \( r=4 \) 需四阶矩（渐近正态性）。这比 Francq and Zakoïan (2015) 对 VaR/ES 的要求（通常需四阶矩）一致。
  • 假设 A11（观测预测状态）：波动率递归满足几何收缩（如 GARCH 的 Lyapunov 指数为负）。这是构造条件 expectile 预测区间所需的技术条件。

相比已有文献的放宽/强化： - 相比 Girard et al. (2021)：本文处理固定水平 τ（而非 τ_n → 1），因此第一步估计误差不可忽略——这是强化了推断难度。 - 相比 Francq and Zakoïan (2015)：本文的目标从 VaR/ES 换为 expectile，expectile 的 score 函数 \( \phi_\tau \) 是连续可微的（除零点外），而 VaR 的 score 是阶梯函数——这是放宽了非光滑性，但 expectile 的渐近方差结构更复杂（需处理权重函数 \( w_t \) 的期望）。

主要结果

定理 1（相合性）：在假设 A1-A8（r=2）下，\( \hat{\theta}_n \xrightarrow{a.s.} \theta_0 \) 且 \( \hat{\xi}_n \xrightarrow{a.s.} \xi_0 \)。这是标准结果，证明依赖于 QML 的相合性（Francq and Zakoïan, 2015）和 expectile 的强相合性（Holzmann and Klar, 2016）。

定理 2（渐近正态性）：在假设 A1-A9（r=4）下，

\[\sqrt{n}(\hat{\xi}_n - \xi_0) \xrightarrow{d} N(0, V_\xi),\]
其中
\[V_\xi = \frac{\sigma^2_\psi}{\Psi_0^2} + \xi_0^2 J_0' \Sigma_\theta J_0 - 2 \frac{\xi_0}{\Psi_0} J_0' \sigma_{\psi\theta}.\]
- 第一项：若创新可观测时的渐近方差。 - 第二项：第一步 QML 估计的方差贡献。 - 第三项：两步估计的协方差贡献（通常为负，因为 QML 估计与 expectile 估计负相关）。

定理 3（条件预测区间）：在假设 A1-A9、A11（r=4）下，条件 expectile 的预测误差 \( \sqrt{n}(\hat{c}_{n+1} - c_{n+1}) \) 条件于 \( \mathcal{H}_n \)（最近 \( m_n \) 个创新）依分布收敛到 \( N(0, V_{n+1}) \)，其中 \( V_{n+1} \) 的显式公式由定理 3 给出。推论 1 给出了可行的预测区间：用 \( \hat{V}_{n+1} \) 替代 \( V_{n+1} \)，区间覆盖概率趋近名义水平。

证明路线与技术技巧

整体路线（以定理 2 为例）： 1. 第一步：QML 的渐近线性表示（命题 2）：\( \sqrt{n}(\hat{\theta}_n - \theta_0) = H_0^{-1} \frac{1}{\sqrt{n}} \sum_{t=1}^n s_t + o_p(1) \)。这是标准结果，证明依赖于 QML 得分和 Hessian 的有限历史逼近。 2. 第二步：expectile 的 Bahadur 表示（引理 4）：\( \sqrt{n}(\hat{\xi}_n - \xi_0) = \Psi_0^{-1} \frac{1}{\sqrt{n}} \sum_{t=1}^n \psi_t - \xi_0 J_0' \sqrt{n}(\hat{\theta}_n - \theta_0) + o_p(1) \)。这是核心步骤，证明依赖于： - 引理 3（均匀局部展开）：对 \( (\theta, \xi) \) 在 \( \sqrt{n} \)-邻域内，将 \( Q_n(\xi, \theta) \) 展开为线性项 + 可忽略余项。关键技术是引理 1（piecewise-linear identity），它给出了 \( \phi_\tau \) 的 Lipschitz 性质和“kink”余项的控制。 - 引理 2（有限历史逼近）：确保用有限历史波动率 \( \tilde{\sigma}_t \) 替代真实波动率 \( \sigma_t \) 的误差为 \( O(1/n) \) a.s.，从而在 √n 尺度下可忽略。 3. 第三步：联合中心极限定理（引理 5）：\( (\frac{1}{\sqrt{n}} \sum \psi_t, \sqrt{n}(\hat{\theta}_n - \theta_0))' \) 联合收敛到均值为 0、协方差矩阵为 \( \begin{pmatrix} \sigma^2_\psi & \sigma_{\psi\theta}' \\ \sigma_{\psi\theta} & \Sigma_\theta \end{pmatrix} \) 的高斯分布。证明依赖于 martingale CLT（Hall and Heyde, 1980），因为 \( (\psi_t, s_t') \) 是鞅差序列。 4. 第四步：将 Bahadur 表示与联合 CLT 结合，得到 \( V_\xi \) 的显式公式。

关键跳跃点： - 引理 3 的证明：处理 expectile score 的非光滑性（在 \( \xi_0 \) 处有 kink）。作者利用引理 1 将 kink 余项控制为 \( |h_t| \mathbf{1}\{|r_t| \le |h_t|\} \)，然后证明该余项在 √n 尺度下可忽略。这需要 \( \eta_t \) 在 \( \xi_0 \) 处连续（假设 A1）和 \( h_t = O_p(1/\sqrt{n}) \)。 - 引理 4 的证明：建立 \( \sqrt{n}(\hat{\xi}_n - \xi_0) = O_p(1) \) 的速率。作者先证明 \( \sqrt{n} \tilde{Q}_n(\xi_0 + v/\sqrt{n}, \hat{\theta}_n) \) 在 \( |v| \le M \) 上一致紧，然后利用 \( \tilde{Q}_n \) 的严格单调性得到 \( \hat{\xi}_n \) 的 √n-相合性。

技术技巧点名： - Martingale CLT（Hall and Heyde, 1980）：用于联合 CLT（引理 5）。 - Bahadur 表示：将 M-估计量展开为线性项 + 余项，是处理非光滑 score 的标准技巧。 - 均匀局部展开（引理 3）：对非光滑 score 在 √n-邻域内做 Taylor 展开，控制 kink 余项。 - 有限历史逼近（引理 2）：用几何衰减的初始值误差控制有限样本逼近误差。 - Bounded-Lipschitz 距离（定理 3）：用于度量条件分布与高斯分布的弱收敛。

真实例子与应用

数据：2016-2023 年比特币（BTC）、以太坊（ETH）、币安币（BNB）和欧元（EUR）的日度对数收益率。样本量：BTC 2921 天，ETH/BNB 2243 天，EUR 2082 天。

方法应用： 1. 对每种货币，用滚动窗口（1000 天）估计 GJR-GARCH(1,1) 模型（含杠杆效应）。 2. 对每个窗口，计算标准化残差，估计无条件 expectile \( \hat{\xi}_n \) 在 \( \tau = 0.01 \) 水平。 3. 用一步向前波动率预测 \( \tilde{\sigma}_{n+1}(\hat{\theta}_n) \) 乘以 \( \hat{\xi}_n \) 得到条件 expectile 预测 \( \hat{c}_{n+1} \)。 4. 用推论 1 的公式计算 90% 预测区间。

核心结果： - 图 5：条件 expectile 的预测区间比 VaR 和 ES 更窄。具体地，XP 的区间宽度是 VaR 的 66.3%-89.8%，是 ES 的 35.2%-45.0%。 - 表 4：VaR 的 exceedance 频率接近名义 1% 水平（0.80%-1.29%），而 XP 的 exceedance 频率更高（1.29%-3.33%），因为 \( \tau = 0.01 \) 与 \( \alpha = 0.01 \) 对应不同的资本要求。 - 表 5：当通过 expectile-quantile 映射（公式 2）使 XP 与 VaR 的资本要求一致时（\( \tau(0.01) \) 约 0.32%-0.47%），XP 的预测区间宽度与 VaR/ES 相当或略宽（20%-25% 更宽）。

这个例子想说明什么：条件 expectile 在加密货币尾部风险度量中比 VaR 和 ES 更稳健（预测区间更窄），且通过 expectile-quantile 映射可以调整到与 VaR 相当的资本要求水平。

🔎 结论是否比证明窄

  • 定理 2 的渐近方差公式是在假设 A1-A9（r=4）下严格证明的。但作者在 intro 中声称“我们量化了第一步估计误差对第二步的影响”——这严格成立，但仅限于固定水平 τ 且四阶矩存在的设定。对于极端 τ（τ_n → 1）或重尾分布（如 t₄ 分布，无四阶矩），该公式可能不成立。作者在蒙特卡洛中测试了 t₄ 分布，发现覆盖概率略低于名义水平（0.907-0.936），说明四阶矩条件可能是必要的。
  • 定理 3 的条件预测区间依赖于假设 A11（几何收缩），这在 GARCH 模型下成立，但对于更一般的非线性波动率模型（如 EGARCH 的某些参数区域）可能不成立。作者未讨论这一限制。
  • 推论 1 的可行预测区间依赖于假设 A10（plug-in 方差估计的 Lipschitz 条件），这在 Gaussian QML 下自动满足（因为 \( a(u) = u^2 - 1 \) 是 Lipschitz 的），但对于其他 QML 分布（如 t-分布）可能不成立。作者未讨论这一泛化。

四、开放问题

  1. 非零条件均值：本文假设条件均值为 0。作者在结论中明确提到“第一个方向是扩展到非零期望收益”（Francq and Zakoïan, 2018）。这需要将模型改为 \( y_{t+1} = \mu_t(\theta_0) + \sigma_t(\theta_0) \eta_{t+1} \)，并处理两步估计（先均值、再方差、最后 expectile）的累积误差。扎根点：Section 6, "The first is to extend our asymptotic theory to deal with nonzero expected returns (Francq and Zakoïan, 2018)."

  2. 高维大组合：本文只处理单一资产。作者提到“第二个方向是研究大组合的高维情形”（Francq and Zakoïan, 2020）。这需要将条件 expectile 扩展到多变量设定，并处理维数诅咒和计算复杂度。扎根点：Section 6, "The second is to study the high-dimensional case of large portfolios (Francq and Zakoïan, 2020)."

  3. 极端 expectile 与固定水平 expectile 的统一框架：Girard et al. (2021) 处理极端 expectile（τ_n → 1，第一步估计误差可忽略），本文处理固定水平 τ（第一步估计误差不可忽略）。是否存在一个统一的渐近理论，能平滑过渡两个 regime？扎根点：Section 1 中作者对 Girard et al. (2021) 的讨论："Unfortunately, this is not the case here. The estimation of expectiles at a fixed level τ converges at the same √n-rate as the estimation of the conditional mean and variance parameters, and hence the latter affects the asymptotic distribution of the former."——这暗示了两种 regime 的边界，但未给出统一刻画。

  4. 重尾分布下的稳健推断：蒙特卡洛中 t₄ 分布（无四阶矩）的覆盖概率略低（0.907-0.936）。是否存在对重尾分布更稳健的推断方法（如自举或子抽样）？扎根点：Table 1 中 t₄ 分布的结果，以及假设 A6 要求 r=4（四阶矩）的条件。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论