Diverging Moments and Parameter Estimation
发散矩与参数估计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。
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：摘要虽列金融为重尾分布的应用背景，但主要研究通用矩阶数估计，未明确金融风险模型。
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
发散矩与参数估计
- 研究问题
- 面对重尾分布，如何在不指定参数分布族的情况下，估计有限矩阶数的上下界，从而描述尾部厚度与矩存在性？
- 方法与思路
- 作者利用尾部行为与特征函数在原点正则性的联系，构造适用于特征函数的简化小波分析及平移、尺度不变估计量。
- 材料陈述的贡献
- 摘要称提出了有限矩阶数上下界的非参数估计方法，为研究重尾分布提供了区别于既有尾参数估计量的途径。
- 阅读关注点
- 应核对矩阶数上下界的精确定义、特征函数正则性与尾部的联系，以及小波构造、调参方式和统计保证。
- 阅读边界
- 仅据版本未注明的 OpenAlex 摘要；未说明一致性、收敛率或比较结果，不能据其对既有方法的评论断言新方法更稳健。
原文摘要
Heavy-tailed distributions are enjoying increased popularity and are becoming more readily applicable as the arsenal of analytical and numerical tools grows. They play key roles in modeling approaches in networking, finance, and hydrology, to name but a few areas. The tail parameterα is of central importance, because it governs both the existence of moments of positive order and the thickness of the tails of the distribution. Some of the best-known tail estimators, such as those of Koutrouvelis and Hill, are either parametric or show a lack of robustness or accuracy. This article develops a shift- and scale-invariant nonparametric estimator for both, upper and lower bounds for orders with finite moments. The estimator builds on the equivalence between tail behavior and the regularity of the characteristic function at the origin and achieves its goal by deriving a simplified wavelet analysis that is particularly suited to characteristic functions.