• 研究背景与问题：尾风险预测（VaR和ES）面临模型、数据以及估计方法等多重不确定性，单一模型难以长期稳定表现，需多模型组合以提升风险度量准确性[page::0][page::1].

- 组合策略设计：基于Hansen等（2011）提出的模型置信集（MCS）方法，结合Fissler和Ziegel (2016) 的联合VaR和ES严格一致损失函数，提出四种组合预测器：
1. MCS-Comb（均权采用无权FZLoss结果）
2. WL-MCS-Comb（均权采用加权FZLoss结果）
3. MW-MCS-Comb（逆权使用无权FZLoss累计损失）
4. MW-WL-MCS-Comb（逆权使用加权FZLoss累计损失）[page::1][page::5][page::6].

• 算法流程与实现图示：通过滚动窗口估计模型，计算训练期MCS，选出最佳模型组，动态调整加权，最终生成组合预测（见图1）。

[page::6][page::7]

• 数据与模型：实验选取S&P 500和上证综指指数日度对数收益及多项高频（RVOL5、RB_SS、RK）和低频（EPU）指标，72个模型涵盖参数、半参数及非参数方法，例：

- GARCH族、HAR模型、CAViaR模型、风险度量模型（Riskmetrics）等[page::8][page::10].

• 回测结果（训练阶段）：没有单个模型在所有时期内均持续优异，半参数模型表现相对更稳定；加权FZLoss下模型选择更为稀疏（图3）。

[page::11][page::13]

• 回测结果（测试阶段及MCS评估）：

- 组合预测整体优于单模型和简单均值、中位数组合，特别是WL-MCS-Comb和MW-WL-MCS-Comb能够通过所有回测且显著进入MCS优胜集合。
- 组合模型VaR预测标准差通常小于单模型，风险度量更稳健。
- 不同市场（美股与中国A股）组合策略均表现良好。
表4（S&P 500）与表5（上证综指）详见：

[page::12][page::14][page::15]

• 组合策略表现示意：图4展示MW-WL-MCS-Comb的VaR和ES预测轨迹相对平稳且合理捕获大幅波动时段的风险。

[page::16]

• 结论：本文所提基于MCS的尾风险组合预测适应动态市场环境，兼顾多模型优点，显著提升VaR和ES预测的准确性和稳定性。未来研究可拓展因子范围及更多外生变量纳入考量。[page::12]

金融研究报告详尽分析报告

1. 元数据与概览（引言与报告概览）

• 报告标题： Adaptive combinations of tail-risk forecasts

- 作者及单位： A. Amendola、V. Candila、A. Naimoli、G. Storti，均来自意大利萨勒诺大学经济与统计系

• 发布时间： （未标明具体日期，推测为2023年及之前）

- 研究主题： 针对极端风险预测中的尾部风险指标——风险价值（VaR）和预期损失额（ES），提出和实证一种自适应的预测组合策略，以提高预测的准确性和鲁棒性。

• 核心论点： 鉴于单一模型受限于模型假设、数据频率、估计方法以及市场环境变化等多种不确定性，单一方法并不能统领未来。为缓解这些不确定性影响，作者提出基于“模型置信集（MCS，Model Confidence Set）”框架的尾部风险量度VaR和ES的自适应组合预测方法。该方法利用严格一致的联合VaR和ES损失函数动态选取表现最优模型，按表现动态赋权组合预测值，实证表明组合预测器在多个市场均能提供优异的预测性能，且表现出更低波动性和通过常规回测。

- 评级与目标价： 本文为方法论与实证研究，无单一评级或目标价。

• 主要信息传达： 作者强调通过基于MCS和联合损失函数的自适应组合策略，能有效融合多种模型预测功效，应对多样的不确定性来源，提升尾部风险量度预测的准确性和稳定性。

2. 逐节深度解读

2.1 摘要部分

• 主旨总结： 文章针对VaR和ES的预测存在模型、数据及估计等多重不确定性，提出用基于MCS的联合损失函数对不同模型的预测进行自适应组合。组合结果通过实证验证，在多个著名指数（如标普500和上证综指）中显示强预测能力和稳健性，且通过常用的后验检验。

- 推理依据： 作者指出传统单一模型在波动且动态的金融环境下无法稳固优于其他模型，且高频数据引入的噪声与截断效应问题，需用组合方法兼顾不同模型的优势和捕捉市场风险的动态演变。

• 关键数据与结论： 组合模型通过MCS筛选出表现最优模型集合，并用Fissler-Ziegel的联合VaR-ES损失函数加权，呈现出比其他模型更小的预测方差，且通过多项回测。

- 模型术语解释：
- VaR：基于分位数的风险指标，反映一定置信水平下的最大潜在损失。
- ES：条件于损失超过VaR的平均损失，考虑极端尾部风险。
- MCS：统计筛选出一个“最佳模型集合”，在该集合中无法显著区分个别模型优劣。
- FZ Loss（Fissler-Ziegel损失函数）：专门设计的严格一致损失函数，用于联合评估VaR和ES预测质量。

2.2 引言（第1-2页）

• 关键论点：

- 监管要求的提高使VaR和ES成为核心风险指标，但单一模型受模型配制、估计方法、使用数据类型（高频vs低频）等不确定性制约，导致预测效果不稳定。
- 频繁市场变化需要模型具备时变参数，能动态适应市场环境。
- 利用多模型组合，尤其是基于MCS动态筛选的组合，有助减小依赖个别模型带来的风险及不确定性。

• 逻辑和假设：

- 高频数据虽能提升波动率和尾部风险估计，但市场微结构噪声及跳动态特征制约采样频率选择。（参考Andersen等，Hansen与Lunde）
- 针对VaR和ES的估计方法的不确定性，已有研究较少，尤需引入稳健组合策略。
- 作者假设市场的尾部风险动态复杂且受多重不稳定因素影响，因此不依赖单一模型，而是依赖于模型池的动态筛选与组合。

• 方法介绍：

- MCS程序利用FZ Loss严格一致的联合VaR-ES损失，通过无权重和加权版本（加权版本对近期数据权重更高，采用指数平滑方法）筛选出表现最佳的模型子集。
- 作者提出四种组合预测方法，基于是否加权FZ Loss和是否逆权重加权模型预测值，分别为：MCS-Comb、WL-MCS-Comb、MW-MCS-Comb和MW-WL-MCS-Comb。

2.3 文献综述（第2-4页）

• 总结：

- 组合预测从1969年Bates和Granger以来已被广泛证明提升预测效果，已广泛应用于宏观经济、股市等众多领域。
- 对波动率的组合预测已有较多研究，2015年Amendola和Storti推进多元波动预测的组合研究。
- VaR预测组合虽然起步较早，但联合VaR和ES组合预测尚属起步阶段，主要文献包括Taylor（2020）和Storti与Wang（2023）。

• 核心推理：

- VaR作为分位数预测任务不易单一模型称雄，故组合多个模型的预测值能更全面反映风险信息。
- 联合VaR和ES预测得益于Fissler和Ziegel的联合一致性质的损失函数提供理论基础。
- 组合方法不仅用均值、回归权重，还尝试惩罚性回归、加权分位数等，以提升组合预测的灵活性和精度。

2.4 方法论详解（第4-7页）

• 模型假设：

- 日资产回报\(ri\)服从条件方差\(hi\)调整的标准化噪声过程，即\(ri = \sqrt{hi}\etai\)，其中\(\etai\)独立同分布。
- VaR定义为条件分位数，ES为损失超过VaR时的条件期望。

• 训练MCS的实现：

- 基于过去滚动窗口历史（一段训练期长度\(T{in}\)）计算每个模型的FZ0损失（联合VaR与ES损失），利用MCS筛选出显著优于其他模型的“优胜模型集”（SSM）。
- 使用带有指数平滑的加权版本损失函数赋予近期信息更大权重，适应市场动态变化。

• 四种组合预测器定义：

- MCS-Comb：选中模型无权重平均。
- WL-MCS-Comb：带权重FZ0无权重平均。
- MW-MCS-Comb：无权重FZ0下模型预测值按累计损失反比加权。
- MW-WL-MCS-Comb：带权重FZ0下模型预测值反比加权。

• 组合流程算法：

1. 在滚动窗口估计所有候选模型。
2. 计算训练MCS筛选优胜模型集。
3. 组合对应模型预测得到VaR和ES。
4. 滚动前进重复以上步骤。

• 补充基准指标：均值组合和中值组合作为对比基准。

2.5 实证分析（第6-15页）

• 数据与变量：

- 资产数据：标普500和上证综指日对数收益率。
- 高频指标：5分钟实现波动率（RVOL5）、实现双功率变差（RBSS）、实现核（RK）。
- 低频变量：经济政策不确定指数EPU（按月）。
- 样本期：标普500从2013-01-14至2022-05-31，沪综指从2012-11-20至2022-06-24，EPU数据跨2010-2022年。

• 关键统计与事件发现：

- 新冠疫情期间标普500波动明显剧增，沪综指2014-2016年为高波动期。

• 候选模型构建：

- 包含32个常见的参数模型（如GARCH系列）、半参数（量化回归、CAViaR）、非参数（历史模拟）及结合高频数据和混频数据的模型。

• 估计窗口设置：

- 滚动训练期长度为1000天，隔25天重估一次模型，标普500共重估54次，上证综指53次。

• 训练期回测结果：

- 回测覆盖6项指标（UC, CC, DQ, BD-1, BD-2, BD-3），多模型无模型能始终通过全部。
- MCS筛选优胜模型集无单一模型长期稳定存在，使用加权损失函数导致模型筛选更为稀疏。
- 半参数模型总体优于参数和非参数模型。

• 后验评估与MCS结果（Tables 4和5）：

- 组合模型（特别是WL-MCS-Comb和MW-WL-MCS-Comb）在标普500中通过所有回测，违反率接近理论值0.025。
- 上证综指中所有组合预测均表现良好。
- 所有四种提出的MCS组合预测均进入最终评估MCS优胜集。
- 标准均值及中值组合预测通过回测状况不佳。
- 组合预测的VaR标准差显著低于个别模型，表明更高稳定性。

• 图表解读（图1,2,3,4）：

- 图1流程图清晰展现了模型训练、筛选、组合及评估的滚动动态过程。
- 图2显示两个指数的回报和实现波动趋势，突出不同市场风险特征。
- 图3直观传达了训练期内单模型和MCS筛选模型的回测通过情况，辅助判断模型持续能力。
- 图4展示MW-WL-MCS-Comb预测的VaR和ES轨迹与对应所有模型预测对比，体现组合预测平滑且时刻响应市场变化。

3. 图表深度解读

3.1 图1：估计及训练MCS程序流程图

• 描述： 该流程图从开始估计所有\(M\)模型，生成一步预测，计算训练MCS筛选优胜模型，并结合预测输出四种提出的组合预测器，然后计算基准组合（均值与中值）后滚动迭代。

- 数据趋势与含义： 强调了动态滚动窗口训练-筛选-组合的循环过程，确保模型权重与组合是时变的，能适应市场演变。

• 文本联系： 图示有效佐证组合预测的动态自适应流程，图中清晰划分了步骤对应章节方法论说明。

- 局限： 流程中“训练窗口大小”“指数加权参数”等需事先选择，本文已固定选择，灵活调整或许进一步提升效果。

3.2 图2：标普500和沪综指的日收益及五分钟实现波动

• 描述： 上两图为日对数收益率，下两图为五分钟实现波动轨迹。

- 趋势： 新冠疫情期间标普500极端负收益明显，高波动性尖峰出现频繁；沪综指2014-2016年波动较大，整体波动率高于标普500。

• 文本联系： 说明不同市场波动特征及风险发生环境差异，为组合策略测试提供市场多样性背景。

- 数据限制： 高频数据存在微结构噪声，实际计算带有采样影响。

3.3 图3：训练期回测与MCS筛选示意

• 描述： 由绿色、蓝色、黑色方块标示模型是否通过回测及是否入选训练MCS优胜集，分别对应不同索引与加权方法。

- 趋势： 无单一模型贯穿全期满分，结合市场不确定性；加权FZ0后MCS筛选更为严格、模型稀疏。

• 文本联系： 支持组合预测的必要性，说明个别模型表现不一，动态选择优胜模型具有合理性。

- 限制： 方块表现为二元判断，缺乏量化细节，后续用表格补充。

3.4 图4：MW-WL-MCS-Comb预测VaR与ES轨迹

• 描述： 同时展示标普500和上证综指的收益率、组合预测VaR(红线)、ES(蓝线)走势及各模型个别预测轨迹。

- 趋势： 组合预测表现平滑且动态与实际收益极端波动相适应，相较单模型预测轨迹更为稳健。

• 联系： 直观展示组合预测能力，说明组合策略有效整合多模型信息提升风险预警。

- 局限： 视觉拥挤，预测差异具体量化缺失。

3.5 表1：样本基本统计量

• 内容： 包括最小、最大、均值、标准差、偏度和峰度，体现数据非对称性和厚尾特征。

- 意义： 验证尾部风险预测的必要，数据特性决定复杂模型设计。

3.6 表2：模型列表与参数设定

• 内容： 列举风险指标预测所用参数模型（风险度量框架如GARCH及其变种）、半参数模型（CAViaR等）和非参数模型（历史模拟），涵盖不同误差分布假设。

- 作用： 确保模型池多样，组合预测基于充分的竞争模型基础。

3.7 表3：回测指标说明

• 内容： 介绍诸如无条件覆盖、条件覆盖、动态分位数回归等经典和现代回测方法，涵盖VaR和ES的准确性和序列相关性测试。

- 意义： 确保预测准确性多维度检验。

3.8 表4与5：组合及个别模型预测的后验评估

• 主要指标：

- VR(%)：实际VaR超越比例，理想为2.5%。
- UC, CC, DQ, BD-1, BD-2, BD-3：各回测对应p值，p值大于0.05表示不拒绝预测准确性假设。
- MCS：联合FZ损失均值，数值越低越好。
- SD：VaR预测的标准差，越小代表预测越稳定。

• 观察：

- 半参数模型及组合预测（尤其WL-MCS和MW-WL-MCS）大部分指标通过，且违约率更贴近理论。
- 标准均值/中位数组合未全通过检验。
- 组合预测MCS值较好且标准差更小，体现平滑稳健。

• 文本联系： 进一步证实组合策略优于单模型和简单组合。

4. 估值分析

本文聚焦尾部风险预测的理论方法开发与实证检验，不涉及企业估值，因此本节不适用。

5. 风险因素评估

虽然报告无单独风险章节，文中隐含多重风险因素：

• 模型风险： 单一模型对市场动态不适应，参数错配，分布假设错误都会导致预测失真。

- 数据风险： 高频数据所含微结构噪声及跳变带来估计偏误。

• 估计风险： 各类模型和损失函数参数估计可能不稳健。

- 市场风险： 极端事件和宏观政策影响导致模型预测失效。

文中通过动态MCS组合及加权损失函数设计，有意缓解以上风险，但具体缓释措施和风险发生概率未详细阐述。

6. 批判性视角与细微差别

• 分析坚实且创新，提出结合联合VaR-ES损失进行动态模型组合的思路，填补文献空白。

- 但存在几点需要关注：
- MCS筛选依赖滑动窗口长度及平滑参数选择，这些超参固定可能影响结果鲁棒性。
- 权重计算方法基于累计损失的逆比例，可能忽略模型间的多样性与风险对冲属性。
- 组合模型虽表现出较低标准差，但标准差是否及其降低与预测偏差权衡尚未深入探讨。
- 文中部分模型设置与表格内容存在局部排版难以完全解读，表述可更精炼明晰。
- 数据仅涵盖两大指数，缺乏跨资产类别或国际市场的广泛验证。

• 总体而言，报告内部逻辑严密，结论较为稳健。

7. 结论性综合

该报告围绕金融市场尾部风险量度VaR和ES，提出并实证检验了一套基于模型置信集（MCS）方法的自适应动态组合预测策略。该策略核心在于利用Fissler-Ziegel严格一致的联合VaR-ES损失函数，通过滚动训练期动态筛选表现优异的模型子集，并采用无权和加权损失为依据，结合均值加权及逆损失加权方式，构建四种组合预测器。

实证采用标普500和上海综指日频收益及多个高频实现波动指标和低频宏观不确定性指数的复合数据，回测包括Kupiec的无条件覆盖（UC）、Christoffersen的条件覆盖（CC）、Engle和Manganelli的动态分位数（DQ）测试，以及Bayer和Dimitriadis针对ES的三种回归测试（BD-1至BD-3）。结果显示，组合方法比单一模型及简单均值/中位数组合更易通过这些统计回测，且其VaR违约率稳定且接近理论预期0.025。与此同时，这些组合预测普遍表现出更小的标准差，预测结果更为平稳且鲁棒。

图表方面，流程图（图1）清晰体现组合策略的滚动自适应机制；收益与实现波动时序（图2）反映多变的市场风险态势；训练期模型回测图（图3）及组合预测轨迹（图4）直观展示了模型动态筛选与预测性能提升。

总体而言，本文为金融风险管理领域提供了理论与实证创新，既增强了VaR和ES预测的准确性，也提升了其稳定性，为监管和风险管理提供了有力工具。未来工作建议进一步调整超参数选择，拓展监测维度及市场范围，以检验和提升方法的泛化能力。

---

参考文献详尽，方法落地性强，符合当前金融风险管理对尾部风险预估的需求。

[page::0,1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,20]

报告