Extreme Value Estimation for Heterogeneous Data
异质数据的极值估计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：摘要明确分析美国股票损失的尾部幂律，并将其联系到个体资产波动率异质性。
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
异质数据的极值估计
- 研究问题
- 当观测来自不同边际分布时，经验分布中的幂律尾部如何形成，参数异质性又在多大程度上解释股票损失的横截面尾部？
- 方法与思路
- 作者将经典极值理论扩展至边际分布可能异质的数据，提出经验幂律的计量表述，结合模型示例、模拟和美国股票损失分析。
- 材料陈述的贡献
- 摘要称，框架可以描述异质数据的经验尾部，模拟展示异质性产生幂律的机制，股票应用指出尾部形态很大程度由波动率异质性驱动。
- 阅读关注点
- 应核对异质边际分布与样本规模之间的条件、经验尾部的极限对象，以及股票分析如何区分波动率异质性和单个资产尾部。
- 阅读边界
- 仅据 OpenAlex 所载摘要，无法确定理论涵盖的依赖结构和尾部类型，也未说明波动率贡献的量化方式或其他版本变化。
原文摘要
We develop a universal econometric formulation of empirical power laws possibly driven by parameter heterogeneity. Our approach extends classical extreme value theory to specifying the tail behavior of the empirical distribution of a general dataset with possibly heterogeneous marginal distributions. We discuss several model examples that satisfy our conditions and demonstrate in simulations how heterogeneity may generate empirical power laws. We observe a cross-sectional power law for the U.S. stock losses and show that this tail behavior is largely driven by the heterogeneous volatilities of the individual assets.