X-vine models for multivariate extremes
多元极端事件的 X-vine 模型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：摘要研究一般多元极值并应用于航班延误，未明确涉及金融尾部或系统性风险。
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…
多元极端事件的 X-vine 模型
- 研究问题
- 如何用规则藤树结构组织多元极端值的尾部依赖，在保持模型灵活性与可计算性的同时支持模拟、估计及选择？
- 方法与思路
- 作者利用规则藤序列分解和构造指数测度密度或尾部 copula 密度，并借助齐次性及二元组件递归实现计算。
- 材料陈述的贡献
- 摘要称构造新的 X-vine 模型族，提供多元 Pareto 模拟算法和基于阈值超越的估计、选择方法，并展示航班延误应用。
- 阅读关注点
- 应核对无限质量密度的处理、组件兼容性和递归公式，以及阈值选择、尾部模型假设与模型选择的具体依据。
- 阅读边界
- 仅据所给 Crossref 摘要；摘要未给出估计理论条件或模拟数值，航班延误案例也不足以支持金融尾部风险结论。
原文摘要
Abstract Regular vine sequences permit the organization of variables in a random vector along a sequence of trees. Vine-based dependence models have become greatly popular as a way to combine arbitrary bivariate copulas into higher-dimensional ones, offering flexibility, parsimony, and tractability. In this project, we use regular vine sequences to decompose and construct the exponent measure density of a multivariate extreme value distribution, or, equivalently, the tail copula density. Although these densities pose theoretical challenges due to their infinite mass, their homogeneity property offers simplifications. The theory sheds new light on existing parametric families and facilitates the construction of new ones, called X-vines. Computations proceed via recursive formulas in terms of bivariate model components. We develop simulation algorithms for X-vine multivariate Pareto distributions as well as methods for parameter estimation and model selection on the basis of threshold exceedances. The methods are illustrated by Monte Carlo experiments and a case study on US flight delay data.