Existence and consistency of weighted maximum likelihood estimator for extreme quantile regression
极端分位数回归加权最大似然估计量的存在性与一致性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：摘要直接研究极端条件分位数回归，并应用于金融股票组合损失的尾部分析。
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…
极端分位数回归加权最大似然估计量的存在性与一致性
- 研究问题
- 研究在协变量关系复杂、尾部数据稀疏的情况下，如何估计极端条件分位数并获得可靠的尾部外推。
- 方法与思路
- 将区块最大值的条件分布建模为 GEV 分布，用广义随机森林生成权重估计其参数，再反演得到条件分位数。
- 材料陈述的贡献
- 摘要称建立了加权最大似然估计量存在性与一致性的理论，并通过模拟及股票组合损失应用展示方法表现。
- 阅读关注点
- 应核对区块构造、GEV 近似条件、森林权重要求和尾部外推范围，检查金融损失应用的验证方式。
- 阅读边界
- 这是 arXiv 预印本，不能据此声称已同行评审或期刊接收；具体定理条件、外推误差及比较结果未说明。
原文摘要
Estimating extreme conditional quantiles faces two major challenges: understanding complex nonlinear relationships between variables and accurately extrapolating into the tails of the distribution, where data are sparse. To address both issues, we introduce a novel approach that combines the theoretical framework of block maxima with the predictive power of generalized random forests. The conditional distribution of maxima is modeled by a generalized extreme value (GEV) distribution whose parameters depend on the covariates and are estimated via a weighted maximum likelihood procedure, with weights derived from generalized random forests to capture complex high-dimensional structures. The conditional quantile estimator follows from the inversion of the estimated GEV distribution function. We establish theoretical results ensuring the existence and consistency of the proposed weighted maximum likelihood estimator. The method provides a robust and flexible framework for extreme quantile regression. The performance of the proposed approach is illustrated using simulated data, as well as an application to financial portfolio losses from stocks listed on the NYSE, AMEX, and NASDAQ.