Inference for H{ü}sler-Reiss block models
Hüsler–Reiss 块模型的统计推断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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要研究多元极值依赖并应用于外汇数据，直接对应金融尾部风险建模。
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…
Hüsler–Reiss 块模型的统计推断
- 研究问题
- 在高维多元极值模型中，如何利用精度矩阵的块结构替代单纯稀疏性，同时估计矩阵系数和变量的潜在分组？
- 方法与思路
- 作者提出凸融合惩罚，鼓励精度矩阵行列合并，通过梯度更新与渐进融合步骤求解，并分析惩罚权重的集中性质及恢复一致性。
- 材料陈述的贡献
- 摘要称给出经验权重的非渐近集中界，以及块恢复和精度矩阵估计的一致性，并用数值实验和外汇数据展示方法表现。
- 阅读关注点
- 应核对块结构约束、融合权重构造、正则条件与调参方式，并检查极值样本选择、分组恢复标准及外汇应用的稳定性。
- 阅读边界
- 依据所给 arXiv v1 预印本摘要，不能据此声称已同行评审或期刊接收；具体正则条件、界及实证数值未提供，风险解释范围需核对全文。
原文摘要
Estimating the H{ü}sler-Reiss precision matrix is a fundamental problem for statistical inference in multivariate extremes. In high-dimensional settings, the number of unknown parameters grows quadratically with the dimension, making regularisation indispensable. Existing approaches regularise the estimation problem by exploiting sparsity. In this paper, we consider an alternative structural assumption, namely that the H{ü}sler-Reiss precision matrix is block-structured. To estimate such a matrix, we introduce a new regularisation framework based on a convex fusion penalty. By encouraging rows and columns to merge, this approach provides a parsimonious representation of the precision matrix, allowing for the simultaneous estimation of its coefficients and the underlying partition of the variables. The resulting convex optimisation problem is solved by an efficient algorithm combining gradient-based updates with progressive fusion steps. We establish non-asymptotic concentration bounds for the empirical weights entering the penalty and prove consistency of both block recovery and precision matrix estimation under suitable regularity conditions. Numerical experiments demonstrate that our methodology accurately recovers the latent block structure while accurately estimating the H{ü}sler-Reiss precision matrix across various configurations, illustrating the practical benefits of fusion-based regularisation for multivariate extremes. These benefits are also demonstrated by applying the proposed method to foreign exchange data.