A Distributionally Robust Optimization Framework for Extreme Event Estimation
极端事件估计的分布鲁棒优化框架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：摘要研究一般极端事件估计，未明确涉及金融尾部或系统性风险，故不据尾部关键词作金融分类。
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…
关注这篇论文的作者
极端事件估计的分布鲁棒优化框架
- 研究问题
- 当尾部样本不足、传统极值理论参数方法面临困难的偏差与方差权衡时，如何构造替代性的极端事件估计框架？
- 方法与思路
- 作者以一般尾部形状约束替代参数模型，通过分布鲁棒优化中的最坏情形计算处理非参数不确定性，并提供相应求解工具。
- 材料陈述的贡献
- 摘要称，该框架绕开传统极值方法的特定偏差与方差权衡，同时分析新的保守性与方差权衡，并通过数值例子比较性能。
- 阅读关注点
- 应核对尾部形状信念如何设定、分布不确定集合如何校准、优化目标对应何种尾部量，以及保守性与统计保证如何协调。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；具体形状条件、覆盖保证和数值结果未提供，不能理解为消除了所有偏差与方差问题。
原文摘要
Conventional methods for extreme event estimation rely on well-chosen parametric models asymptotically justified from extreme value theory (EVT). These methods, while powerful and theoretically grounded, could however encounter a difficult bias-variance tradeoff that exacerbates especially when data size is too small, deteriorating the reliability of the tail estimation. In this paper, we study a framework based on the recently surging literature of distributionally robust optimization. This approach can be viewed as a nonparametric alternative to conventional EVT, by imposing general shape belief on the tail instead of parametric assumption and using worst-case optimization as a resolution to handle the nonparametric uncertainty. We explain how this approach bypasses the bias-variance tradeoff in EVT. On the other hand, we face a conservativeness-variance tradeoff which we describe how to tackle. We also demonstrate computational tools for the involved optimization problems and compare our performance with conventional EVT across a range of numerical examples.