有限样本量下Anderson-Darling检验的有效性

2022-5-8 05:39:13

有限样本下Anderson-Darling检验的有效性：对交易对手信用风险内部模型进行回溯检验的应用*Matteo Formenti+1,2，Luca Spadafora 1,3，Marcello Terrano和Fabio RamponiUniCredit S.p.A.，Piazza Gae Aulenti 3，20154米兰，意大利大学卡洛·卡塔尼奥分校，经济管理学院，C.soMatteotti，22-21053卡斯特拉大学，数学、物理和自然科学学院，经博物馆，布雷西亚梅19，41-25121，2015年（印前版）摘要这项工作在样本量有限的情况下对安德森-达林试验进行了理论和实证评估。该测试可用于在交易对手信用风险建模的背景下对风险因素动态进行回溯测试。当回溯测试利率模型在长期范围内的分布时，我们展示了这种测试的局限性，我们提出了一种改进版的测试，能够更有效地检测模型波动性的低估。最后，我们提供了一个经验应用。杰尔：C19。C22关键词：安德森-达林测试、回溯测试、交易对手信用风险。*本文中表达的观点、想法和意见是作者以个人身份提出的，不应归于UniCredit S.p.A.或UniCredit S.p.A.代表或雇员的作者+更正作者，mformenti@liuc.itIntroductionBacktesting定义为“模型预测与实际值的定量比较”（BCBS，[7]）。在交易对手信用风险（CCR）中，模型预测考虑利率、信用利差、权益或商品价值的估计，这些是推动场外衍生品按市值计价的潜在风险因素，直至合同的最长到期日。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-5-8 05:39:16

正如BCBS[7]所指出的，银行选择自己最佳且适当的方法来汇总并验证模型预测的整体质量。这可以通过一个综合值来实现，比如统计测试的结果，其目标是检测模型预测的偏差。我们注意到，此类预测计算至最长到期日，并直接影响对交易对手的敞口。因此，回溯测试是风险管理部门评估交易对手风险敞口预测的工具之一，实际上是银行的风险加权资产价值。该测试的失败会导致模型改变，比如不同的模型参数化，甚至是模型假设的改变（如对数正态分布或t分布）。拥有CCR内部模型的银行，计算回测：（i）在风险因素层面，目的是验证用于模拟利率、信用利差、外汇和股票的随机过程的性质；（ii）在交易层面，例如旨在验证单笔交易风险敞口的普通普通期权或异国期权；（iii）在交易对手层面验证估计风险敞口的可靠性。我们注意到，风险经理有兴趣对给定风险因素的所有预测分布形状进行回溯测试，以检测可能导致监管资本措施（RWA）或管理措施（预期正面风险敞口、潜在未来风险敞口）低估的风险（即方差）。在本文中，我们从实证和理论的角度研究了安德森-达林（AD）检验（[1]，[2]）的统计特性，该检验用于在样本量有限的特殊情况下对风险因素进行回溯测试。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-5-8 05:39:20

事实上，由于AD测试因其广为人知的大样本统计特性（见[10]和[11]）而被广泛应用于从生物学到社会学的经验文献中，因此就我们所知，在CCR建模的情况下，它在样本有限时的稳健性从未被研究过。另一方面，监管要求银行通过回溯测试计划（CRR第293-b条）验证建模选择，使用至少三年的历史数据进行模型估计（CRR第292-2条），并制定程序，识别和控制风险敞口超过一年期限的交易对手的风险（CRR第289-6条）。在这方面，我们观察到，从纯统计的角度来看，使用重叠时间窗来验证模型性能，不能被视为是减少预测变量统计不确定性的显著改进。事实上，在我们的上下文中可以看出，如果随机变量是i.i.d.，那么基于重叠时间窗口的统计估值器中包含的附加信息，与非重叠估值器相关的信息相比，不足以显著降低相关的统计确定性。因此，基于重叠时间窗口的回溯测试方法将面临与小样本量相关的统计问题，就像与非重叠方法相关的问题一样。此外，有限的样本量也是一个不可避免的条件，与可用市场数据历史的有限长度有关（例如美元/欧元始于1999年）。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-5-8 05:39:23

基于这些原因，当回溯测试数据集由5-10个观测值组成时，我们主要关注AD的统计特性。值得注意的是，出于风险管理目的，尤其是对于CCRbacktesting验证，测试应该能够检测到从风险管理角度来看比波动性高估更危险的波动性低估。这意味着，当预测分布比经验分布具有较小的方差时，测试拒绝能力应该更高。此外，在样本量有限的情况下，该属性也应保持不变，以便处理数据集通常较小的实际情况。基于这些原因，我们提出了一种改进版的AD测试，可以帮助风险管理者轻松检测对波动性的低估。我们强调，一致性测试，如AD、Kolmogorov-Smirnov（KS）[17]、Jarque Brera[13]或Cramer von Mises（CM）[5]，有助于统计验证模型预测值，因为在每个回溯测试日期，我们可以将实现值映射到预测分布的相应p值。具体而言，对于给定的风险因素（例如利率、外汇、商品）r、回溯测试日期t和时间范围s，根据以下算法计算与实现r（t+s）相对应的P值F（r）：F（r）=N+2对于r（t+s）<^r（1）F（r）=i+1N+2对于^r（i）<r（t+s）<^r（i+1）F（r）=N+1N+2对于r（t+s）>^r（N），其中^r（i）代表-预测值，N是预测值的总数。因此，如果模型与实际值完全匹配，则有序映射值的集合应均匀分布。该测试在交易对手信用风险回溯测试框架中的应用示例见[3]。本文的结构如下。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-5-8 05:39:26

在第1节中，我们简要总结了AD测试及其在样本量有限时降低的效率。第2节提出了一种修正版的AD测试，以更快地检测对波动性的低估。然后在第3节中，我们计算一个数值练习，使用真实数据生成“有效”的时间序列，以比较AD测试和我们的修改版本与KS测试。最后，在第4节中，我们将以Black Karasinski模型为例，对6个月欧元银行同业拆借利率进行回溯测试。第5节总结了我们的结果。Anderson Darling TestAnderson和Darling[1]设计了一个统计测试，以确定给定的随机变量序列X={X，…，xn}是否来自理论累积分布函数（CDF）F（X）。无效假设表明数据遵循F（x），因此该测试应用于证明数据不遵循F（x），给定置信水平。AD测试基于以下随机变量的估计：W=Z+∞-∞[Fn（x）- F（x）]F（x）（1）-F（x））ndF（x）（1），其中F（x）是目标CDF，Fn（x）是根据数据得出的经验分布。式（1）的分子表示理论分布与经验分布的距离，而分母表示当中心极限定理成立时，即当n足够大时，经验估计ofF（x）的方差。换句话说，公式（1）表示两个分布（理论和经验）之间的平方误差的平均值，这两个分布由经验LCDF（顺序统计）估计方法产生的隐式不确定性加权。因为随机变量的CDF总是均匀分布在0和1之间（即F（x）∈ U（0，1）），当中心极限定理成立时，它是均匀分布随机变量的函数。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

点击查看更多内容…

2022-5-8 05:39:29

特别是，它不依赖于分布F（x）。在这种情况下，我们观察到当均匀分布的方差（F（x）（1-F（x））/n）接近于零，即对于罕见事件，F（x）~ 0或F（x）~ 1，平方误差由小分母放大；从这个意义上说，我们认为AD测试对分布的尾部更敏感。另一方面，我们指出，如果用于进行AD测试的观测数较低，则积分inEq的分母。1是大的，即大的方差与理论分布和经验分布之间的差异有关；因此，如果测量不确定度太大，无法得出任何结论，分布之间的巨大差异将落在方差幅度内，AD测试将无法拒绝。因此，为了预测H，理论CDF和经验CDF之间的差异必须大于它们的统计不确定性。式（1）也可以表示为：W=-N-nXk=12k- 1nln（F（xk））+ln（1）- F（xn+1）-k））（2）其中xi∈ X是从最小值到最大值排序的经验数据，nis是样本大小（即回溯测试日期的数量）。通过AD（[1]）估算了Wd的经验分布，我们在表中报告了Wd分布的百分位数。（1）第一行表示上尾概率，第二行表示相应的百分位数。概率0.250 0.150 0.100 0.050 0.010 0.005 0.001百分位数1.248 1.610 1.933 2.492 3.880 4.500 6.000表1：安德森-达林试验的上尾百分位数。1.1分析结果：AD测试的效率AD测试可用于CCR回溯测试，作为一种工具，用于验证给定密度水平下的模型预测分布是否与经验分布具有可比性。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-5-8 05:39:34

在这种情况下，无效假设应为两种分布相等。因此，当无效假设没有被拒绝时，检验给出了积极的结果，这意味着模型分布与经验分布没有足够的区别，可以认为模型是错误的。鉴于我们的回溯测试方法，经验CDF估计中的一个很大的不确定性是由少量观察结果造成的。由于样本量有限，这对我们接受测试的分布的拒绝率产生了负面影响。因此，我们质疑在此类测试中引入有效的测量方法，以便在样本量较小时提高其准确性。一般来说，如果一个度量的不确定性比其预期值小得多，那么它就被认为是有效和可靠的；在我们的例子中，统计不确定性与CDF的经验估计有关，而期望值是经验分布中每个点的理论CDF。不幸的是，对于分布的每个点，简单的方差估计是不够的，因为AD度量要求对{i=1，…，n}的所有概率Fn（xi）求和，并且还必须考虑有序统计的整个协方差矩阵。所以在每一个点上，我们经验估计的期望值由f（xi）=pi给出，协方差结构由pmin（i，j）给出- 皮普[16]。我们可以确定每个分布点的变异系数（CoV）或相对标准偏差：c=σu（3）=√nqR1/nmin（p，q）- pqdpdqR1/npdp（4）=qN- 1.n+√N-2n（5） =n+1rn+（6）（7），其中σ和u表示1/n和1之间范围内高估概率总和的标准偏差和预期值，即R1/nFn（x）dF（x）。无花果。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

可人4

2022-5-8 05:39:37

1.我们展示了变异系数随观测次数的衰减。为了获得低于10%的CoV，需要进行n=50次观察。当样本量较小时，CoV指标提供有关AD测试性能的重要信息，并且在应用AD测试时，CoV指标可用作警告级别。另一方面，我们注意到CoV是在假设中心极限定理（CLT）成立的情况下推导出来的，而这个假设对于非常小的样本量并不成立。因此，我们应该考虑对等式3的额外修正，我们在这项工作中没有考虑到这些修正。2 AD测试的非对称扩展为了在观察次数较少时检测实际波动率的低估，我们推导了AD测试的扩展，可用于风险管理目的。AD检验扩展的主要思想是观察到，当样本量较小时，当分布的经验方差大于预测方差时，更容易拒绝无效假设；相反，当经验方差小于预测方差时，许多观测值落在理论分布内，因此，更重要的是，如果期望值等于零，则该方法不一致。图1：变异系数随观测次数的衰减，很难拒绝Hhypothesis（这一事实将在下一节中通过数值示例进一步讨论）。从这一观察结果开始，我们可以放大这种不对称效应，定义一个不对称函数，当理论CDF和经验CDF之间的差异较大时，该函数会引入更明显的非线性行为，如方差低估的情况。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

nandehutu2022

2022-5-8 05:39:40

我们强调，术语不对称是指当预测分布的方差过高/过低时，AD测试的不同行为，而不是W的分析形式。我们将等式（1）推广为：WAsym=Z+∞-∞[Fn（x）- F（x）]2βF（x）（1）-F（x））nβdF（x）（8）其中β≥ 1是控制不对称效应幅度的参数；显然，当β=1时，我们恢复等式（1）。在本文中，我们将注意力集中在特殊情况β=2上。这样，由小n引起的小方差振幅由β指数补偿。为了在实际情况中应用AD测试的这种新的不对称公式，我们必须：o估计等式（8）中的积分假设Wrandom变量的分布为真将W的经验值与在上一点获得的理论分布进行比较，并决定在给定的置信水平下是否应拒绝H。一旦获得了公式（8）的良好估计，第二步和第三步可以通过对Wr的数值模拟来克服。v、考虑得到的CDF。相反，考虑到小样本量，需要注意积分估计。特别是，按照[1]中的行，我们考虑样本{x，…，xn}观测，并确定x=0和u=F（x）soWAsym=nXk=1Zukuk-1.U-K-1n(1 - u）联合国du（9）=nXk=1-K- 1nu+2K- 1n- 2.K- 1n日志（u）-K-1n- 1.U- 1.- 2.K- 1n+11.-K- 1n日志（1）- u） +uukuk-1（10）=γ+n-1Xk=1α（k）uk+α（k）log（uk）+α（k）uk- 1+α（k）对数（1- uk）（11），其中uk=Fn（xk）和γ、α（k）、α（k）、α（k）、α（k）是附录中报告的函数。公式（11）给出了一个新的不对称指标，该指标衡量了经验CDF和理论CDF之间的差异，强调了异常值差异。在下面的章节中，我们提到了Eq。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-5-8 05:39:44

（11）作为AD Asym指示器，以便将其性能与标准AD测试进行比较。2.1在有限样本量下测试Anderson Darling在本节中，我们将AD测试和我们提出的修改（公式11）与AIM进行比较，以便在观察次数较少时获得关于AD Asym性能的一些见解。我们注意到，出于风险管理目的，如在CCR案例中，主要目标是更有效地拒绝预测（理论）分布，其方差小于实际（经验）分布（即波动率低估）。我们假设不同的理论概率密度函数（PDF），进行数值模拟。特别是，我们将假设为理论PDF的高斯分布N（0，1）与具有相同平均值但不同方差的其他高斯分布进行比较。我们将AD测试的拒绝率作为生成样本集所考虑的实际标准偏差的函数，对已完成的观察次数进行估计。我们预计，对于足够大的样本量，AD测试会以100%的拒绝率拒绝不同的分布，只有当实际方差等于理论方差，即等于1时，才会例外。在后一种情况下，拒绝率取决于测试所需的置信水平，在我们的情况下，设定为5%。在图2中，我们报告了小样本分析的结果。正如预期的那样，标准差越大，回收率越高，但总体表现不高。例如，当考虑5个观察值时，我们获得了大约50%的拒绝率，标准偏差是经验偏差的两倍。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

可人4

2022-5-8 05:39:47

随着观察次数的增加，小标准差和大标准差之间的不对称性变得越来越不明显：当n=100时，排斥率变得对称。特别是，AD测试在我们更感兴趣的地方（图2-a的右部分）表现更好，拒绝了波动性低估的最极端情况。事实上，当真实数据的分布与预测分布相同，但方差较大时，AD测试的拒绝率较高。原因是，如前一节所述，方差较大的已实现PDF具有较大的概率（a）AD-SS。（b）毫无疑问。图2：拒收率与标准偏差（a）样本量的函数关系，共5次观察。（b）样本量为20次观察。图3：拒识率作为标准偏差的函数，即使观察很少，也会产生异常值（关于预测PDF）。相反，如果认为已实现的PDF的方差低于预测值，则所有观测值都将落在预测分布内，并且更难确定这两个分布是否不同。我们使用不同的样本量，将AD测试与我们的AD Asym版本进行比较，复制相同的分析。图2-b显示，当波动性被高估（σ<1）时，我们有类似的拒绝率，当波动性被低估时，我们有更高的拒绝率。因此，我们得出结论，如果我们需要避免挥发失估，AD-Asym测试表现更好，尤其是在有限的样本中。图3-a描绘了样本量由五个观察值组成时的结果：当预测分布的波动性减半时，AD-AsymDuble拒绝了无效假设（例如，当σ=1.5时，AD-Asym拒绝了40%，而不是22%）；当观测值为20时，结果类似，如图所示。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-5-8 05:39:51

3-b.为了扩展我们的结果，我们比较了不同统计测试的拒绝率，以确定一个样本是否属于给定的理论分布，在我们的情况下，该样本总是有限的。特别是，我们考虑了五种不同的统计测试：o标准对称AD测试，如前几节所述（SS）o带有尾部敏感指示的AD测试（AD Asym）o假设波动性高估的Cramer Von Mises（CM）（a）测试。（b）假设波动率低估的测试。（c）假设平均高估和正确波动率的测试。（d）假设平均高估和波动性低估的测试。图4：不同统计测试的拒绝率oKolmogorov-Smirnov（KS）。图4显示了我们的分析结果与n的函数关系；特别是，在每个图中，假设高斯N（0，1）理论分布和经验高斯分布具有不同的均值和标准差，比较不同统计检验的校正率。正如预期的那样，当波动性被低估时，AD-Asym测试显示出比其他测试更好的整体性能（更高的拒绝率）。众所周知，财务回报的分布经常表现出厚尾行为，因此我们分析了不同统计测试的表现，考虑到高斯（0,1）理论分布和方差等于toone和ν自由度的经验t-Student分布。无花果。5.我们展示了我们的分析结果。总体结果表明，AD Asym性能高于与AD测试相关的性能，尽管我们知道此类测试受到所考虑的自由度的强烈影响。考虑到t-Student分布的厚尾性质，可以解释这一事实。与具有相同方差的高斯分布相比，t-Student分布意味着更高的风险。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-5-8 05:39:54

由于这个原因，使用高斯分布意味着低估了通过不对称测试更好地识别的风险，如前一节所述。此外，我们观察到，当n=150时，拒绝率没有收敛到100%，这与高斯情况相反。如果考虑到理论和经验分布的前两个矩（平均值和方差）完全满足，则可以发现这种行为的原因，需要估计更高的矩，以便观察PDF之间的差异。考虑到对于固定数量的观测值，不确定性随着矩阶的增加而增加，可以合理地预计，获得收敛所需的观测值数量必须大于使用高斯PDF获得的观测值（见第1.1节）。（a） v=2.8自由度的t-Student。（b） v=3自由度的t-Student。（c） ν=3.5自由度的t-Student。图5：假设高斯N（0,1）理论分布和t-Student分布，AD测试（带菱形的蓝线）和AD Asym测试（红线温点）的拒绝率3数值练习一旦从理论角度理解了主要影响，我们在现实案例中测试AD。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-5-8 05:39:57

我们认为欧元银行同业拆借利率6个月的利率自1999年以来具有历史时间序列，因此，如果我们使用三年的历史数据进行估计，并且预测期为两年，则在回溯测试样本中有五/六个观察值。然而，为了在有限的样本量下解决AD测试的性质，但有可能将我们的分析扩展到更高的样本量，我们使用适用于截至2012年3月的五天时间序列的Hodrick Prescott[12]过滤器来确定利率时间序列。通过这种方式，我们能够获得更稳健的利率模型校准结果。然后，我们根据经过对数过滤的时间序列的周期分量估计Black Karasinski[9]利率模型，以便使用估计的参数生成具有所需样本的“有效”时间序列进行回溯测试。我们使用Black Karasinski短期利率模型，因为其分析的可处理性，以及利率不能为负的额外好处。事实上，Black Karasinski使用Ornstein-Uhlenbeck随机过程：dyt=k，对利率y（t）=exp（r（t））的周期分量的对数进行建模α - ytdt+σdWt（12），其中k表示ytlog循环向其长期平衡值α（平均水平）的速度，σ表示过程的波动性，wt表示布朗运动。我们在整个数据集上使用矩匹配近似公式方法估计以下参数：Θ≡ [~α = -0.0004871;~k=0.011853；■σ=0.018855]矩匹配法确保均值回归水平为正，这与风险因素的值一致。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-5-8 05:40:01

特别是，估计方法基于两步公式，其中平均回归水平被准确估计，然后插入平均回归率：α=nnXk=1y（tk）（13）k=Pnk=1y（tk）- y（tk-1)Pnk=1y（tk）- A.（14）在图6中，我们绘制了6个月欧元银行同业拆借利率、过滤周期和趋势成分。WeFigure 6：用Hodrick Prescott筛选出的6个月期欧元银行利率，并使用估计参数[Θα，Θk，Θσ]模拟利率情景，使用估计的Θ参数和恒定数量的回测观察值，以验证不同时段测试的统计特性。在图7中，我们展示了使用一个带有5个观察值的回溯测试样本进行模拟的AD和KS拒绝率的结果。所有模拟都使用相同的参数执行了1万次。根据模拟过程的平均标准偏差（使用Θ参数）和（a）时间范围：1周之间的比率绘制拒收率。（b）时间范围：1个月。（c）时间范围：1年。（d）时间范围：2年。图7：在回溯测试样本中使用5个观察值的AD vs KS拒绝率每个回溯测试日期的标准偏差（考虑三年的时间窗口并保持k恒定进行校准）： = 按附录B所述估算过程的方差。因此，正这意味着低估了回溯测试子样本的波动性，因此我们预计两个测试的拒绝率都较高，而回溯测试的拒绝率为负值这意味着回溯测试的波动率高于生成“有效”时间序列的波动率，因此我们预计拒绝率更低，甚至为零。数值计算似乎证实了图中所示的理论分析。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-5-8 05:40:04

1-2当样本量较低时，与KS相比，AD试验的拒收率较高。我们使用10次、25次和100次观测来控制这些结果，以获得类似的结果。最后，我们注意到，使用三年时间估计的波动率是过程的方差，如附录B所述，取决于平均回归率k，因此为了避免用于模拟过程（Θ）的波动率与用于回溯测试的波动率之间的偏差，我们选择取常数k，我们验证的总体影响对于我们而言可以忽略不计。黑色卡拉辛斯基过程的变化取决于时间范围，因此我们预计x轴上的差异如图7所示。图7的极端边界几乎没有观察到，因此我们将其从分析中剔除。图8：人口分布 = ■σsim/~σbkton平均值低于用于模拟“实际”实际利率的平均值。这在图8中得到了证实，我们绘制了.4 Anderson-Darling Test的实证应用在本节中，我们展示了一个风险因素回溯测试的示例，该示例将AD和KS Test应用于使用Black Karasinski[9]短期利率模型获得的利率预测值。我们计算了这个练习，以展示一个预测长时间范围的真实测试用例，同时验证了AD测试在真实情况下的性能。我们仍然注意到，我们有兴趣在不同的时间段对按未来计价的分布进行回溯测试，因为监管措施和管理风险来自利率产品的整个分布。为了简单起见，我们仍然使用方程式（12）中给出的黑色卡拉辛斯基，用于Euribor 6个月时间序列，其中参数使用3年历史数据和方程式（13）中所示的矩匹配方法进行校准。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

nandehutu2022

2022-5-8 05:40:07

我们稍微修改了短期利率模型（12），以便使用替代模型设置进行测试，如下所示yt=kα（t）- ytdt+γσdWt（15），其中参数γ是对波动率值的调整。图9绘制了设置γ=1时的Euribor6个月和两年预测分布图。我们注意到，回溯测试时间窗口涵盖了莱曼危机期间发生的利率制度转换，一般来说，利率模型在正确预测危机和下一个时期方面存在严重问题。图9显示：（i）由于预测期较长，只有五个回溯测试日期可用于测试模型；（ii）经验数据往往落在预测分布的极端尾部；（iii）只有通过增加模型波动率或调整平均值，才能获得实现的价值。表2报告了五个回溯测试日期的模拟利率和相应的实际利率。表3报告了不同波动水平的AD、AD Asym和KS测试结果，假设波动率为5%，我们在每个回溯测试日期使用3000个模拟。图9：欧元银行同业拆借利率6个月：2年期预测分布日期2004年12月24日22日2006年12月19日2008年12月17日2014年12月12日价值2.211 3.8291 2.7634 1.0449 0.1685最小值2.0609 1.2958 2.2502 1.8545 0.16382平均值3.3743 2.3433 3.4989 3.3177 1.2567最大值5.5148 3.7534 4.9848 5.357 4.8442表2：欧元银行同业拆借利率6个月和两年期统计预测值可信度：所有测试都拒绝了模型正确的假设（见粗体行和列）。为了比较AD的性能，通过增加波动率将AD Asym和KS测试参数化。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-5-8 05:40:10

特别是，我们在每个回溯测试日期将γ从估计波动率的1倍增加到3倍，并且我们观察到，在预测分布非常大的情况下，预期测试接受零假设。相反，与AD和KS相比，AD Asym对此类调整的反应较小。我们认为这是我们测试保守性的实证证据。最后，我们用不同的曲线项（即1年期、5年期和10年期）检查这些结果的稳健性，以获得相似的结果。测试/γ1 2.5 2.75 3拒绝接受的不对称拒绝接受表3：2年时间范围内欧元银行6个月预测值的AD、AD Asym和KS结果。当p值低于置信水平时，测试拒绝无效假设。5结论欧洲CCR/CRD IV要求对用于计算交易对手信用风险敞口的模型预测进行深入分析。因此，银行需要执行回溯测试计划，该计划的结果对于评估影响交易对手风险敞口和风险加权资产的模型缺陷非常重要。与此同时，银行在长期预测风险因素，但满足模型校准三年数据要求时，面临一种常见情况：样本数据非常有限。在这方面，从纯统计的角度来看，使用重叠时间窗口来验证模型性能不能被视为对减少预测变量统计不确定性的显著改进。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-5-8 05:40:15

作为一个序列，应该考虑到小数据集有限的统计能力所带来的强大约束，开发一种适当的CCR模型回溯测试方法。在这方面，值得注意的是，一般来说，统计测试应该能够轻松检测模型的波动率低估，从风险管理的角度来看，这比波动率高估更危险。由于这些原因，在这项工作中，我们将重点放在安德森-达林（AD）测试上，目的是了解测试何时能够检测到波动性低估，并且我们推导了AD测试的扩展，可用于风险管理目的。这种扩展的主要思想是观察到，在分布的实际方差大于预测方差的情况下，AD测试拒绝更多，但由于与小样本量相关的不确定性，拒绝率无论如何都很低。因此，当模型的可用性被低估时，预测分布和实际分布之间的差异较大时，我们放大了这种不对称效应，引入了更明显的非线性行为。这意味着，当预测分布的方差小于真实分布时，测试拒绝能力将更高。在样本量有限的情况下，为了保持保守，这个特性也应该保持不变。我们在有限样本量的情况下验证了修正测试的性质，表明当预测分布错误时，与标准的统一测试相比，修正测试具有更好的整体拒绝性能。我们使用一个数字样本，用Black Karasinski短期利率模型预测两年期内的6个月欧元银行同业拆借利率值，并将其与AD检验和其他统一检验（如Kolmogorov-Smirnnov检验）进行比较，以检查这一结果。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝