Estimation of Extreme Quantiles for Functions of Dependent Random Variables
相依随机变量函数的极端分位数估计AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要直接研究极端分位数，并明确应用于金融风险模型回测，对应分位数与尾部风险方向。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
相依随机变量函数的极端分位数估计
- 研究问题
- 如何估计多个相依随机变量组成的函数的极端分位数，同时利用全部观测数据并避免预设尾部的近似参数形式？
- 方法与思路
- 作者对边际分布采用非参数处理，以二元 copula 组成的 vine copula 建模依赖，再从拟合联合分布抽样估计极端分位数。
- 材料陈述的贡献
- 摘要称，在分位数集合与截断集合接近及经验近似的正则条件下证明一致性，并用模拟和金融风险模型回测作说明。
- 阅读关注点
- 应核对极端程度如何随样本量变化、copula 的选择依据、截断集合条件，以及回测设置和模拟支持的具体范围。
- 阅读边界
- 依据 Crossref 摘要；无需参数化边际或尾部不代表无需依赖模型，具体一致性条件、误设影响和数值结果均未给出。
原文摘要
Summary We propose a new method for estimating the extreme quantiles for a function of several dependent random variables. In contrast with the conventional approach based on extreme value theory, we do not impose the condition that the tail of the underlying distribution admits an approximate parametric form, and, furthermore, our estimation makes use of the full observed data. The method proposed is semiparametric as no parametric forms are assumed on the marginal distributions. But we select appropriate bivariate copulas to model the joint dependence structure by taking advantage of the recent development in constructing large dimensional vine copulas. Consequently a sample quantile resulting from a large bootstrap sample drawn from the fitted joint distribution is taken as the estimator for the extreme quantile. This estimator is proved to be consistent under the regularity conditions on the closeness between a quantile set and its truncated set, and the empirical approximation for the truncated set. The simulation results lend further support to the reliable and robust performance of the method proposed. The method is further illustrated by a real world example in backtesting financial risk models.