Tail dependence measure for examining financial extreme co-movements
用于分析金融极端共同变动的尾部依赖度量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：摘要直接讨论金融极端共同变动、渐近尾部依赖及压力测试中的风险误判，明确对应尾部与系统性风险方向。
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…
用于分析金融极端共同变动的尾部依赖度量
- 研究问题
- 如何区分金融极端共同变动中的渐近独立与渐近依赖，避免错误设定导致对极端事件共同影响的高估或低估？
- 方法与思路
- 作者研究极限条件Kendall秩相关系数的性质，提出非参数估计并推导渐近极限，再结合既有尾部依赖系数开展模拟。
- 材料陈述的贡献
- 摘要称该度量可用于检测渐近独立或依赖，模拟显示其单独及结合既有系数时表现良好，并提供金融和保险数据应用。
- 阅读关注点
- 应核对条件事件、尾部阈值及极限的定义，区分检测指标与正式检验，并检查非参数估计的阈值敏感性和渐近条件。
- 阅读边界
- 仅据所给出版社摘要，无法确认度量区分两种情形的完整条件、误判概率或模拟表现幅度，也不能据此判断实际预测效果。
原文摘要
Modeling and forecasting extreme co-movements in financial market is important for conducting stress test in risk management. Asymptotic independence and asymptotic dependence behave drastically different in modeling such co-movements. For example, the impact of extreme events is usually overestimated whenever asymptotic dependence is wrongly assumed. On the other hand, the impact is seriously underestimated whenever the data is misspecified as asymptotic independent. Therefore, distinguishing between asymptotic independence/dependence scenarios is very informative for any decision-making and especially in risk management. We investigate the properties of the limiting conditional Kendall’s tau which can be used to detect the presence of asymptotic independence/dependence. We also propose nonparametric estimation for this new measure and derive its asymptotic limit. A simulation study shows good performances of the new measure and its combination with the coefficient of tail dependence proposed by Ledford and Tawn (1996, 1997). Finally, applications to financial and insurance data are provided.