Prediction of Extremal Expectile Based on Regression Models With Heteroscedastic Extremes
异方差极值回归模型中的极端期望分位数预测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：摘要研究用于尾部风险度量的极端条件期望分位数，并结合分位数和期望分位数回归，涉及风险与条件分布分析。
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…
异方差极值回归模型中的极端期望分位数预测
- 研究问题
- 在尾部样本稀少且极值呈条件异方差的情况下，如何估计并外推极端条件期望分位数，以支持尾部风险度量？
- 方法与思路
- 作者在条件异方差、无条件同方差的极值框架下，基于分位数及期望分位数回归和二阶条件提出三种尾部外推方法。
- 材料陈述的贡献
- 作者提出三种极端条件期望分位数外推方法，给出其渐近性质，并用模拟和真实数据分析展示经验表现与应用。
- 阅读关注点
- 重点核对二阶尾部条件、条件与无条件尺度约束，以及三种方法的外推公式、尾部阈值选择和有限样本误差。
- 阅读边界
- 摘要未说明外推距离、尾部阈值与应用数据细节，也未报告极端区间的预测误差，不能据此判断三种方法的相对优劣。
原文摘要
Expectile recently receives much attention for its coherence as a tail risk measure. Estimation of conditional expectile at extremal tails is of great interest in quantitative risk management. Regression analysis is a convenient and useful way to quantify the conditional effect of some predictors or risk factors on an interesting response variable. However, when it comes to the estimation of extremal conditional expectile, the traditional inference methods may suffer from considerable variation due to a lack of sufficient samples on tail regions, which makes the prediction inaccurate. In this article, we study the estimation of extremal conditional expectile based on quantile regression and expectile regression models. We propose three methods to make extrapolation based on a second-order condition for a framework of the so-called conditionally heteroscedastic and unconditionally homoscedastic extremes. In addition, we establish the asymptotic properties of the proposed methods and show their empirical behaviors through simulation studies. Finally, data analysis is conducted to illustrate the applications of the proposed methods in real problems.