Improved Semi-Parametric Bounds for Tail Probability and Expected Loss: Theory and Applications
尾概率与期望损失的改进半参数界：理论与应用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：摘要直接研究尾概率和期望损失，并明确列出期权定价与保险设计应用。
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
尾概率与期望损失的改进半参数界：理论与应用
- 研究问题
- 仅掌握随机变量的一阶和二阶矩时，如何利用独立性改进累积量的尾概率与期望损失界，并服务于定价和风险决策？
- 方法与思路
- 作者采用概率不等式而非常规优化原始—对偶方法推导新界，分析达到尾界的极端取值，并扩展 Korkine 恒等式分离损失贡献。
- 材料陈述的贡献
- 摘要称获得新的尾概率和期望损失界，揭示非同分布情形的等距极端取值结构，并展示捆绑定价、期权、保险及库存应用。
- 阅读关注点
- 应核对独立性及矩约束、界是否可达与适用分布范围，以及应用中的目标函数、比较基准和收益改善依赖的设定。
- 阅读边界
- 这是 arXiv 预印本，同行评审或接收状态未核实。摘要未说明完整定理条件，所报利润与成本改善属于特定案例，不能普遍外推。
原文摘要
Many management decisions involve accumulated random realizations for which only the first and second moments of their distribution are available. The sharp Chebyshev-type bound for the tail probability and Scarf bound for the expected loss are widely used in this setting. We revisit the tail behavior of such quantities with a focus on independence. Conventional primal-dual approaches from optimization are ineffective in this setting. Instead, we use probabilistic inequalities to derive new bounds and offer new insights. For non-identical distributions attaining the tail probability bounds, we show that the extreme values are equidistant regardless of the distributional differences. For the bound on the expected loss, we show that the impact of each random variable on the expected sum can be isolated using an extension of the Korkine identity. We illustrate how these new results open up abundant practical applications, including improved pricing of product bundles, more precise option pricing, more efficient insurance design, and better inventory management. For example, we establish a new solution to the optimal bundling problem, yielding a 17% uplift in per-bundle profits, and a new solution to the inventory problem, yielding a 5.6% cost reduction for a model with 20 retailers.