Conférence d'Alexander J. McNeil, professeur d'actuariat à l'Université de York depuis septembre 2016. Formé à Imperial College London et à l'Université de Cambridge, il a été professeur adjoint au Département de mathématiques de ETH Zürich avant d'occuper la chaire Maxwell de mathématiques au Département d'actuariat et de statistique de l'Université Heriot-Watt, à Édimbourg, où il a fondé et dirigé la Scottish Financial Risk Academy de 2010 à 2016.
Chaire Aisenstadt
Résumé
In this talk we study a class of backtests for forecast distributions in which the test statistic is a spectral transformation that weights exceedance events by a function of the modelled probability level. The choice of the kernel function makes explicit the user’s priorities for model performance. The class of spectral backtests includes tests of unconditional coverage and tests of conditional coverage. We show how the class embeds a wide variety of backtests in the existing literature, and propose novel variants as well. We assess the size and power of the backtests in realistic sample sizes, and in particular demonstrate the tradeoff between power and specificity in validating quantile forecasts.
