How to Compare Copula Forecasts?¶
作者: Tobias Fissler, Yannick Hoga
来源: Journal of Business & Economic Statistics
主题: 数理统计 / 假设检验
相关性: 5/10
机构绿灯: ETH Zurich(US News 前 50,免分进入精读)
链接: 期刊页 · arXiv
一、领域脉络与小综述¶
这个方向是什么¶
本文所处的子方向是预测评估(predictive evaluation)与 elicitability 理论的交叉。其根本的统计问题是:当我们关心的目标对象不是一个标量(如均值、分位数),而是一个函数或高维对象(如 copula、整个分布)时,如何设计合理的评分函数(scoring function)来比较不同预测模型的优劣?这个问题的核心难点在于:评分函数必须满足"严格一致性"(strict consistency),即真实模型在期望意义下必须唯一地取得最优评分,否则预测比较就失去了理论基础。该方向的成熟度处于"理论框架已建立、但具体对象的可比较性仍存在大量空白"的阶段——elicitability 理论在标量泛函(均值、分位数、期望损失)上已相当完备,但向 copula 这类无穷维对象的推广才刚刚开始。
发展脉络(history)¶
奠基工作:这条线的源头是 Osband (1985) 的博士论文,他首次系统研究了 elicitability 的概念,并提出了一个关键思想:如果一个泛函不可 elicitable,可以通过将其与一个"辅助泛函"配对来恢复可比较性。这一思想后来成为处理不可 elicitable 对象的标准策略。同时,Gneiting (2011) 的综述性论文("Making and evaluating point forecasts")将 elicitability 理论系统化,给出了严格一致评分函数的刻画定理(Savage 表示定理的推广),并明确指出"方差和期望损失不可 elicitable,但(方差,均值)的配对是 joint elicitable"——这正是 Osband 配对思想的经典例证。
主要进展:Fissler and Ziegel (2016) 将 Osband 的思想推广到高阶情形,证明了(期望损失,方差)以及(VaR,ES)等配对的 joint elicitability,并给出了完整的评分函数族刻画。这一工作为处理"不可 elicitable 但可 joint elicitable"的对象提供了通用模板。Fissler and Ziegel (2015) 则从理论上系统化了"高阶 elicitability"的概念,给出了多维泛函可 elicitable 的充分必要条件。Ziegel and Gneiting (2013) 提出了 copula calibration 的概念,为 copula 预测的绝对质量评估提供了工具(CopPIT 直方图),但该工作只解决了"校准性检验"问题,没有解决"预测比较"问题——这正是本文要填补的口子。
当前 frontier:Fissler and Hoga (2024) 提出了 multi-objective elicitability 的概念,将 Osband 的配对思想从"有限维配对"推广到"字典序多目标"的情形。这是本文最直接的理论基础。Patton (2020) 则从实证角度指出,当预测模型存在误设定时,不同评分函数对模型的排序可能不一致,这为"如何选择评分函数"提出了新的问题。
本文的位置:本文是这条线的自然延伸——它把 multi-objective elicitability 这一新工具应用到 copula 预测比较这一具体问题上,同时给出了一个此前未被注意的负面结果(copula 一般不可 elicitable)和一个正面结果(在 Fréchet 类上可 elicitable),并据此构造了可操作的检验程序。
子线索聚类¶
这些被引文献大致落在三条子线索上:
-
elicitability 理论本身(Osband 1985; Gneiting 2011; Fissler & Ziegel 2015, 2016, 2017):这条线研究"什么样的泛函可以被严格一致评分函数所 elicite",以及"不可 elicitable 时如何通过配对/扩展来补救"。这是本文的理论地基。
-
预测比较与检验方法(Diebold & Mariano 1995; Giacomini & White 2006; Coroneo & Iacone 2020):这条线研究如何基于评分函数差值构造统计检验,判断两个预测模型是否具有相等的预测能力。本文的检验程序直接建立在这条线上。
-
copula 建模与预测(Sklar 1959; Patton 2006; Creal et al. 2013; Möller et al. 2013; Boudt et al. 2019):这条线提供 copula 预测的具体模型(DCC、GAS 等),是本文方法的应用对象。
这个方向在追问的核心问题¶
- 可比较性边界:哪些统计对象可以被合理地比较(elicitable),哪些不能?这个边界在哪里,能否被推广?
- 评分的归因:当预测比较涉及多个组成部分(copula + marginals)时,如何将预测能力的差异归因到具体组件?
- 误设定下的稳健性:当预测模型存在误设定时,评分函数的选择如何影响模型排序?(Patton 2020 提出的问题)
⚠️ 作者的 framing(这是作者的说法)¶
作者把缺口 frame 成:"copula 预测在实践中被广泛使用,但缺乏一个原则性的比较框架。我们证明 copula 一般不可 elicitable,因此在 Fréchet 类上给出可行评分函数,并构造 multi-objective 评分函数以解决归因问题。" 作者淡化的竞争路线包括:直接比较完整预测分布(而非分解为 copula + marginals)的做法——作者在 Remark 11 中承认了这种做法的存在,但认为它无法实现归因。另一个被淡化的路线是仅依赖 proper scoring rules 比较完整分布的做法——作者认为这无法回答"差异来自 copula 还是 marginals"的问题。
值得注意的张力:作者在 Proposition 5 中给出的 Fréchet 类上的正结果,与 Proposition 4 的一般不可 elicitable 结果之间存在一个微妙的边界——这个边界依赖于"marginals 已知"这一强假设。在实际应用中,marginals 几乎总是需要估计的,因此这个正结果的实际适用范围可能比表面看起来窄。作者在 Remark 11 中承认了这一点,但没有给出 quantifiable 的边界条件。
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¶
核心记号(逐个点名):
- \(Y = (Y_1, \ldots, Y_d)'\):d 维随机向量,是我们要预测的对象。可观测。
- \(F\):\(Y\) 的联合累积分布函数(cdf)。不可直接观测,是预测的目标。
- \(F_i\)(\(i = 1, \ldots, d\)):\(Y_i\) 的边际 cdf。不可直接观测,但可通过样本估计。
- \(C\):copula,即 \(Y\) 的依赖结构。由 Sklar 定理,\(F(y) = C(F_1(y_1), \ldots, F_d(y_d))\)。不可直接观测,是本文关心的核心对象。
- \(\mathcal{C}\):所有 d 维 copula 的集合。
- \(\mathcal{F} \subseteq \mathcal{F}(\mathbb{R}^d)\):我们考虑的预测分布类(cdf 的集合)。
- \(\mathcal{F}_i\)(\(i = 1, \ldots, d\)):边际 cdf 的集合。
- \(T_{\text{cop}} : \mathcal{F}(\mathbb{R}^d) \to \mathcal{C}\):copula 泛函,把联合分布映射到它的 copula。这是本文要研究的 estimand。
- \(S : A \times \mathbb{R}^d \to \mathbb{R}\):评分函数(scoring function),\(A\) 是行动域(预测值所在的空间)。对 copula 预测,\(A = \mathcal{C}\)。
- \(S_{\text{marg}}\):边际评分函数,\(S_{\text{marg}} : \mathcal{F}(\mathbb{R})^d \times \mathbb{R}^d \to \mathbb{R}\)。
- \(S_{\text{cop}}\):copula 评分函数,\(S_{\text{cop}} : \mathcal{C} \times \mathbb{R}^d \to \mathbb{R}\)。
- \(\mathbf{S} = (S_{\text{marg}}, S_{\text{cop}})'\):multi-objective 评分函数,取值于 \(\mathbb{R}^2\)。
- \(\preceq_{\text{lex}}\):\(\mathbb{R}^2\) 上的字典序(lexicographic order):\((x_1, x_2)' \preceq_{\text{lex}} (y_1, y_2)'\) 当且仅当 \(x_1 < y_1\) 或(\(x_1 = y_1\) 且 \(x_2 \le y_2\))。
- \(d_t = (d_{m,t}, d_{c,t})'\):t 时刻的评分差值向量,\(d_{m,t} = S_{\text{marg}}(\{F_{1it}\}, Y_t) - S_{\text{marg}}(\{F_{2it}\}, Y_t)\),\(d_{c,t} = S_{\text{cop}}(C_{1t}, \{F_{1it}\}, Y_t) - S_{\text{cop}}(C_{2t}, \{F_{2it}\}, Y_t)\)。可观测(给定预测和实现值)。
- \(\bar{d}_n = (\bar{d}_{m,n}, \bar{d}_{c,n})'\):样本平均评分差值。
- \(\Omega_n\):\(\sqrt{n}\bar{d}_n\) 的长期方差(long-run variance),需估计。
- \(\hat{\Omega}_n\):\(\Omega_n\) 的估计量。
- \(c_{1n}, c_{2n}\):检验的临界值。
- \(\alpha\):显著性水平。
模型(数据生成机制):
本文不假设一个具体的参数模型,而是采用一个半参数设定:
- 真实数据生成过程:\(Y_t \sim F_t\),其中 \(F_t\) 是给定信息集 \(\mathcal{F}_{t-1}\) 的条件分布。\(F_t\) 的边际为 \(F_{it}\)(\(i = 1, \ldots, d\)),copula 为 \(C_t\)。
- 预测模型:两个竞争的预测模型产生条件分布预测 \(\hat{F}_{1t}\) 和 \(\hat{F}_{2t}\),各自分解为边际预测 \(\{\hat{F}_{1it}\}\)、\(\{\hat{F}_{2it}\}\) 和 copula 预测 \(\hat{C}_{1t}\)、\(\hat{C}_{2t}\)。
- 可观测数据:\(\{Y_t\}_{t=1}^n\)(实现值)以及两个模型的预测序列 \(\{\hat{F}_{1t}\}_{t=1}^n\)、\(\{\hat{F}_{2t}\}_{t=1}^n\)。
关键区分——可观测 vs. 不可观测:
- 可观测:\(Y_t\)(实现值)、预测分布 \(\hat{F}_{1t}\)、\(\hat{F}_{2t}\)(模型输出)、评分函数值 \(S(\hat{F}_{it}, Y_t)\)。
- 不可观测:真实分布 \(F_t\)、真实 copula \(C_t\)、真实边际 \(F_{it}\)。这些是估计/推断的目标,只能通过假设(如正确设定、平稳性)间接处理。
第二步:最小内核¶
核心问题:我们有两个 copula 预测 \(\hat{C}_{1t}\) 和 \(\hat{C}_{2t}\),想判断哪个更好。直觉上,应该找一个评分函数 \(S\),使得"真实 copula 的期望评分最低"。但 Proposition 4 告诉我们:在一般分布类上,这样的评分函数不存在。
为什么不存在?——最小例子(d = 2):
考虑两个分布 \(F^0, F^1 \in \mathcal{F}(\mathbb{R}^2)\),它们有相同的 copula \(C\),但边际不同。设 \(F^\lambda = (1-\lambda)F^0 + \lambda F^1\) 是它们的凸组合。如果 \(T_{\text{cop}}\) 是 elicitable 的,那么由 Lemma 3(凸水平集性质),必须有:
这个例子的要点:copula 不可 elicitable 的根源在于,copula 不是分布的线性泛函。两个分布的凸组合的 copula,不等于各自 copula 的凸组合。这使得任何基于期望评分最小化的比较机制都失效。
出路 1:限制在 Fréchet 类上(Proposition 5)。
如果边际分布固定为已知的 \(\{F_i\}\),那么 copula 和联合分布一一对应。此时,任何 proper scoring rule \(S\) 都给出严格一致的 copula 评分:
出路 2:multi-objective 评分(Theorem 10)。
当边际不固定时,将 copula 与边际配对,构造二维评分函数:
这个最小内核的启示:本文的核心数学贡献不是发明了新的评分函数,而是精确刻画了 copula 可比较性的边界——在 Fréchet 类上可比较,在一般类上不可比较,但通过 multi-objective 扩展可以恢复可比较性并实现归因。
三、这篇论文做了什么¶
三句话¶
- 研究了什么问题:在严格一致评分函数的框架下,研究 copula 预测的可比较性问题——即是否存在合理的评分函数使得 copula 预测可以被排序和检验。
- 核心工具/方法:elicitability 理论(特别是凸水平集性质)和 multi-objective elicitability(Fissler & Hoga 2024 提出),结合 Diebold–Mariano 型检验程序。
- 主要结论:copula 在一般分布类上不可 elicitable(Proposition 4);在 Fréchet 类上可 elicitable 且任何 proper scoring rule 都适用(Proposition 5);copula 与边际的配对是 multi-objective elicitable 的(Theorem 10),据此构造的两步检验能正确控制 size 并实现归因。
关键设定与假设¶
在第二节最小记号的基础上,本文的完整设定如下:
设定 1:分布类。\(\mathcal{F}(\mathbb{R}^d)\) 为所有 d 维连续边际的 cdf 集合。Fréchet 类 \(\mathcal{F} \subseteq \mathcal{F}(\mathbb{R}^d)\) 定义为所有边际分布固定的分布集合。
设定 2:评分函数。\(S : A \times \mathbb{R}^d \to \mathbb{R}\) 是评分函数,\(A\) 是行动域。对 copula 预测,\(A = \mathcal{C}\)(所有 copula 的集合)。严格一致性定义为:对任意 \(F \in \mathcal{F}\),\(E[S(T(F), Y)] < E[S(x, Y)]\) 对所有 \(x \neq T(F)\) 成立。
设定 3:multi-objective 评分。评分函数取值于 \(\mathbb{R}^2\),配以字典序 \(\preceq_{\text{lex}}\)。严格一致性定义为:真实模型在字典序下唯一最小化期望评分。
假设(用于检验程序):
- H1(平稳性/混合性):评分差值序列 \(\{d_t\}\) 满足适当的混合条件(α-mixing 或 φ-mixing),以保证 CLT 成立。这是 Diebold–Mariano 型检验的标准假设。
- H2(矩条件):\(E|d_t'd_t|^r < \infty\) 对某个 \(r > 2\) 成立。这保证长期方差可一致估计。
- H3(长期方差可估):存在一致的长期方差估计量 \(\hat{\Omega}_n\)。
相比已有文献的放宽/强化:
- 放宽:不要求预测模型是正确设定的(允许 misspecification),这与 Patton (2020) 的框架一致。
- 强化:要求评分函数是严格一致的(而不仅仅是"适当"的),这排除了许多实践中使用的非严格评分函数。
主要结果¶
结果 1(Proposition 4):copula 不可 elicitable。
- 陈述:对任意包含一个有界支撑分布及其平移的分布类 \(\mathcal{F} \subseteq \mathcal{F}(\mathbb{R}^d)\),copula 泛函 \(T_{\text{cop}}\) 在 \(\mathcal{F}\) 上不可 elicitable。
- 证明思路:构造两个有相同 copula 的分布 \(F^0, F^1\),使得它们的凸组合 \(F^\lambda\) 的 copula 不等于原来的 copula。由 Lemma 3(凸水平集是 elicitable 的必要条件),得出矛盾。
- 技术要点:证明的关键在于 copula 的非线性性——凸组合的 copula 不等于 copula 的凸组合。这个性质在 d = 2 时即可展示,因此证明只需处理二维情形。
结果 2(Proposition 5):Fréchet 类上 copula 可 elicitable。
- 陈述:在 Fréchet 类 \(\mathcal{F}\) 上,\(T_{\text{cop}}\) 是 elicitable 的。具体地,对任意 proper scoring rule \(S\),映射 \((C, y) \mapsto S(C(F_1(y_1), \ldots, F_d(y_d)), y)\) 是严格一致的 copula 评分。
- 证明思路:在 Fréchet 类上,\(T_{\text{cop}}\) 是双射,且凸水平集性质成立。因此,任何 proper scoring rule 通过 Sklar 定理的"提升"都给出严格一致的 copula 评分。
- 意义:这为 Chen and Fan (2006) 和 Diks et al. (2010) 的 KLIC 方法提供了严格的理论基础。
结果 3(Theorem 10):copula 与边际的 multi-objective elicitability。
- 陈述:在一般分布类 \(\mathcal{F}(\mathbb{R}^d)\) 上,\(T_{\text{cop}}\) 与边际分布 \(\{F_i\}_{i=1}^d\) 的配对是 multi-objective elicitable 的。具体地,式 (5) 给出的二维评分函数在字典序下严格一致。
- 证明思路:分两步。第一步,边际评分的严格一致性保证真实边际在字典序第一分量上唯一最优。第二步,当第一分量相等时(即边际预测同样准确),第二分量(copula 评分)的严格一致性在 Fréchet 类上成立,从而保证真实 copula 唯一最优。
- 技术要点:字典序的关键作用是"分层比较"——先比边际,再比 copula。这避免了 copula 不可 elicitable 的困境,因为 copula 评分只在边际精度相同的子类上起作用。
结果 4(Theorem 13):两步检验的渐近性质。
- 陈述:在 Assumption 12 下,两步检验(先检验边际,再检验 copula)具有渐近 size \(\alpha\)。
- 证明思路:第一步,利用标准 DM 检验的渐近正态性检验 \(E[d_{m,t}] = 0\)。第二步,在第一步未拒绝的条件下,利用条件 CLT 检验 \(E[d_{c,t}] \le 0\)。临界值 \(c_{1n}, c_{2n}\) 通过式 (7) 和 (8) 联合确定,以保证整体 size 为 \(\alpha\)。
- 技术要点:关键在临界值的选择——不是简单地分别控制每一步的 size,而是联合控制整体 size。这需要计算二元正态概率,论文建议用数值方法(如 mvtnorm 包)求解。
证明路线与技术技巧¶
整体路线(从假设到结论的 5 步逻辑主干):
- 建立 elicitable 的必要条件(Lemma 3):证明凸水平集性质是 elicitable 的必要条件。这一步是 Osband (1985) 的经典结果,论文给出了完整证明。
- 证明 copula 不满足必要条件(Proposition 4):构造反例,展示 copula 泛函不满足凸水平集性质。这一步是全文的关键创新点——此前文献中没有这个结果。
- 在 Fréchet 类上恢复 elicitable(Proposition 5):利用 Sklar 定理,将 copula 评分提升为联合分布评分,从而借用 proper scoring rules 的现成理论。
- 推广到 multi-objective 情形(Theorem 10):将 Osband 的配对思想从"有限维配对"推广到"copula + 边际"的无穷维配对,用字典序处理优先级。
- 构造可操作的检验程序(Theorem 13):将理论结果转化为实际可用的两步检验,并证明其渐近性质。
关键跳跃点:
- 跳跃点 1(Proposition 4 的反例构造):难点在于构造一个"copula 相同但凸组合的 copula 不同"的分布对。论文的做法是取一个有界支撑的分布 \(F^0\),然后考虑它的平移 \(F^1 = F^0(\cdot - t)\)。由于 copula 对平移不变,\(F^0\) 和 \(F^1\) 有相同的 copula。但它们的凸组合 \(F^\lambda\) 的 copula 会"混合"两个支撑区域,产生新的依赖结构。这个构造的巧妙之处在于,它只需要 d = 2 和非常一般的分布假设。
- 跳跃点 2(Theorem 10 的字典序设计):难点在于如何保证 multi-objective 评分在字典序下严格一致。论文的关键洞察是:第一分量(边际评分)的严格一致性保证了"真实边际"在字典序下优先;第二分量(copula 评分)的严格一致性在 Fréchet 类上成立,而"边际正确"恰好定义了 Fréchet 类。因此,两个分量的严格一致性在字典序下"接力"完成整体的一致性。
- 跳跃点 3(Theorem 13 的临界值选择):难点在于两步检验的 size 控制。论文的做法是:不是简单地分别控制每一步的 size,而是通过式 (7) 和 (8) 联合确定 \(c_{1n}\) 和 \(c_{2n}\),使得整体拒绝概率为 \(\alpha\)。这需要计算二元正态概率,论文建议用数值方法求解。
技术技巧点名:
- 凸水平集性质(Lemma 3):这是 elicitability 理论的核心工具,用于证明不可 elicitable 结果。论文将其推广到任意值域空间(不仅是 \(\mathbb{R}^k\))。
- Sklar 定理的"提升"技巧(Proposition 5):将 copula 上的评分问题提升为联合分布上的评分问题,从而借用 proper scoring rules 的现成理论。这个技巧简洁但强大。
- 字典序 multi-objective 评分(Theorem 10):这是 Fissler and Hoga (2024) 的核心思想,论文将其应用到 copula 场景。字典序的关键作用是"分层比较",避免不可 elicitable 的困境。
- Diebold–Mariano 型检验(Theorem 13):标准 DM 检验的推广,但临界值选择考虑了"两步检验"的特殊结构。
真实例子与应用¶
模拟研究(Section 5):
- 数据生成过程:d 维 CCC–GARCH 模型(Bollerslev 1990),高斯噪声,等相关系数 \(\rho = 0.5\),GARCH(1,1) 参数 \(\omega = 0.001, \alpha = 0.1, \beta = 0.5\)。样本量 \(n \in \{150, 300\}\),维度 d = 5。
- 预测模型:两个竞争的预测模型,通过"污染"真实参数来生成不同质量的预测。具体地,预测模型的参数为 \(\theta^\circ \cdot \delta\),其中 \(\delta\) 是均匀扰动。
- 五种设定:(i) 边际和 copula 均等误设定(size 检验);(ii) 边际等误设定、copula 不同误设定;(iii) 边际严重误设定、copula 等误设定;(iv) 边际不同误设定、copula 等误设定;(v) 边际和 copula 均不同误设定。
- 主要结果:两步检验的 size 接近名义水平 5%;在 copula 不同的设定下,第二步检验的 power 较高;在边际不同的设定下,第一步检验能有效识别。关键发现:当边际严重误设定时(设定 iii),copula 检验的 power 下降——这与 Remark 11 的理论预测一致。
实证应用(Section 6):
- 数据:五个国际股票指数(S&P 500、DAX、CAC 40、恒生指数、日经 225)的日度对数收益率,2016–2022 年,n = 223 个预测样本。
- 模型:七种预测模型——N–DCC、t–DCC、N–CCC、t–CCC、GO–GARCH、N–GAS、t–GAS。使用 6 年滚动窗口估计。
- 结果:边际评分方面,t–DCC 和 t–CCC 表现最好;copula 评分方面,t–DCC 显著优于 t–GAS。归因:两步检验表明,t–DCC 与 t–GAS 的差异主要来自 copula 部分,而非边际部分。这验证了 multi-objective 评分的归因能力。
🔎 结论是否比证明窄¶
明确的窄结论:
- Proposition 4 的适用范围:论文只证明了 copula 在"包含有界支撑分布及其平移"的分布类上不可 elicitable。对于无界支撑的分布类(如正态分布族),证明不直接适用。论文没有讨论这个扩展。
- Theorem 10 的评分函数形式:论文给出的 multi-objective 评分函数 (5) 依赖于边际评分 \(S_i\) 和 copula 评分 \(S\) 的具体选择。论文没有刻画所有严格一致的 multi-objective 评分函数,只给出了一个充分构造。
- Theorem 13 的假设条件:Assumption 12 要求评分差值序列满足混合条件和矩条件。对于长记忆过程或重尾分布,这些条件可能不成立。论文没有讨论这些情形的处理方法。
被泛化的地方:
- "copula 不可 elicitable"的表述:论文在摘要和引言中使用了"copulas fail to be elicitable"的表述,但 Proposition 4 实际证明的是在特定分布类上的不可 elicitable。对于 Fréchet 类,copula 是 elicitable 的(Proposition 5)。这个细微差别在摘要中没有明确区分。
- "任何 proper scoring rule 都适用":Proposition 5 的陈述是"任何 proper scoring rule 都给出严格一致的 copula 评分",但这是在 Fréchet 类上。在一般分布类上,这个结论不成立。论文在引言中的表述可能让读者误以为这个结论具有普遍性。
- 两步检验的"归因"能力:论文声称两步检验能"归因"预测差异到 copula 或边际。但模拟结果显示,当边际严重误设定时,copula 检验的 power 下降(设定 iii)。这意味着归因在边际误设定严重时可能不可靠。论文在结论中没有充分强调这个限制。
四、开放问题¶
-
无界支撑分布类上的不可 elicitable 证明:Proposition 4 的证明依赖于有界支撑假设。能否将不可 elicitable 结果推广到无界支撑的分布类(如正态分布族、t 分布族)?这需要新的证明技术,因为无界支撑下凸组合的 copula 结构更复杂。
-
multi-objective 评分函数的完整刻画:Theorem 10 给出了一个充分构造,但没有刻画所有严格一致的 multi-objective 评分函数。能否给出类似 Fissler and Ziegel (2016) 的完整刻画定理?这将有助于理解评分函数的选择自由度。
-
误设定下的稳健性理论:Remark 11 和模拟设定 (iii) 表明,边际误设定会影响 copula 检验的 power。能否给出一个定量的理论描述——边际误设定程度如何影响 copula 检验的 power?这需要建立误设定条件下的局部渐近框架。
-
高维 copula 的可比较性:本文的不可 elicitable 结果对 d = 2 成立,但对高维 copula(d > 2)是否成立?高维 copula 的结构更复杂(如 vine copula),其 elicitability 性质可能与低维情形有本质区别。
-
与分布回归的联系:本文的 multi-objective 评分框架与分布回归(distributional regression)中的评分规则选择有密切联系。能否将本文的归因方法推广到更一般的分布预测比较问题?
提示:若要确认以上开放问题是否为真 gap,建议去读以下近期文献的引言部分(各约 5 篇):(a) elicitability 理论方向——Fissler & Ziegel (2016, Annals of Statistics)、Ziegel et al. (2020, JRSS-B)、Fissler & Pesenti (2023);(b) copula 预测方向——Patton (2013, Handbook of Economic Forecasting)、Oh & Patton (2023, Journal of Econometrics)。若这些文献的引言都指向同一个未解决问题,那大概率是真 gap;若各说各话,则可能是伪 gap。
Maintained by 陈星宇 · Homepage · Source on GitHub