Expected Shortfall LASSO
预期短缺的LASSO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。
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：摘要研究预期短缺及系统性风险度量CoES的高维估计。
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
预期短缺的LASSO估计
- 研究问题
- 如何在高维、重尾且存在时间依赖的数据中估计预期短缺，并将预估尾部分位数带来的误差纳入理论分析？
- 方法与思路
- 作者将结果变量及预估尾部分位数变换为辅助因变量，再进行带ℓ₁惩罚的最小二乘估计，利用稀疏性推导非渐近误差界。
- 材料陈述的贡献
- 摘要称研究给出预测和参数误差界及一致性条件，分析依赖与重尾对维度增长的限制，并在CoES应用中报告非线性模型改善。
- 阅读关注点
- 应核对辅助因变量的构造、分位数第一阶段误差的传播、稀疏及尾部条件，以及CoES应用中的评价标准和基准模型设定。
- 阅读边界
- 这是预印本，同行评审及期刊接收未获核验。摘要未列出具体误差界、调参规则或改善数值，不能据此判断任意重尾数据均适用。
原文摘要
We propose an $\ell_1$-penalized estimator for high-dimensional models of Expected Shortfall (ES). The estimator is obtained as the solution to a least-squares problem for an auxiliary dependent variable, which is defined as a transformation of the dependent variable and a pre-estimated tail quantile. Leveraging a sparsity condition, we derive a nonasymptotic bound on the prediction and estimator errors of the ES estimator, accounting for the estimation error in the dependent variable, and provide conditions under which the estimator is consistent. Our estimator is applicable to heavy-tailed time-series data and we find that the amount of parameters in the model may grow with the sample size at a rate that depends on the dependence and heavy-tailedness in the data. In an empirical application, we consider the systemic risk measure CoES and consider a set of regressors that consists of nonlinear transformations of a set of state variables. We find that the nonlinear model outperforms an unpenalized and untransformed benchmark considerably.