Renewable high-dimensional expected shortfall regression
可再生高维期望损失回归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：摘要以期望损失这一尾部风险度量为对象并应用于保险风险管理，直接对应尾部与系统性风险；同时涉及高维回归与分布尾部刻画，与分位数及分布效应相关。
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…
可再生高维期望损失回归
- 研究问题
- 摘要称，高维期望损失（ES）回归对刻画大量协变量下的异质尾部风险很重要，但现有离线方法需要访问全部数据，在数据按批次顺序到达且存储有限的流式场景下失效；本文研究如何在流式数据下进行高维 ES 回归的估计与推断。
- 方法与思路
- 作者提出一种面向流式数据的可再生估计与推断框架：通过优化一个仅由当前数据与历史信息决定的替代损失函数，在不存储全部原始数据的情况下更新 ES 回归系数估计；并在此基础上构造在线去偏估计量，利用相合方差估计构建 Wald 型置信区间。
- 材料陈述的贡献
- 摘要称，理论上建立了在线高维 ES 估计量的非渐近误差界，并验证了在线去偏估计量的渐近正态性；模拟显示所提方法在估计精度与推断表现上与离线基准相当，且在车险索赔数据集上的应用体现了保险风险管理中的实用价值。
- 阅读关注点
- 应核对替代损失函数的具体形式及其与 ES 目标的关系、在线更新所需的历史信息如何压缩存储、去偏估计与方差估计的构造条件、非渐近界与渐近正态性所依赖的假设，以及模拟中离线基准与数据生成机制的设定。
- 阅读边界
- 仅依据摘要，无法判断识别假设、正则化与调参细节、理论条件是否现实、模拟与实证的具体数值表现，也未说明与离线方法相比在计算或存储上的量化优势；该文为 arXiv 预印本，未经同行评审验证。
原文摘要
Expected Shortfall (ES) has become a core coherent risk measure in finance and statistics, and high-dimensional ES regression is crucial for characterizing heterogeneous tail risk with massive covariates. Existing offline methods for high-dimensional ES regression rely on access to full data, which fails under streaming data scenarios with sequential batch arrival and limited storage. To address this issue, this paper proposes a renewable estimation and inference framework for high-dimensional ES regression tailored to streaming data. By optimizing a surrogate loss function determined only by current data and historical information, the proposed procedure updates the estimator of ES regression coefficients without storing full raw data. Based on the online estimator, we design an online debiased estimator and further construct valid Wald-type confidence intervals using consistent variance estimation. Theoretically, we establish non-asymptotic error bounds for the online high-dimensional ES estimator and verify the asymptotic normality of the online debiased estimator. Extensive simulations show that the proposed method achieves estimation accuracy and inference performance comparable to the offline benchmark. Moreover, an application on the car insurance claim dataset demonstrates strong practical value in insurance risk management.