Statistical evaluation of a long-memory process using the generalized entropic Value-at-Risk
利用广义熵风险价值对长记忆过程进行统计评估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：摘要明确研究长记忆时间序列；应用为水文数据，未提供金融风险领域的直接依据。
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
利用广义熵风险价值对长记忆过程进行统计评估
- 研究问题
- 当长记忆河流流量模型中的回复测度不可观测且存在歧义时，如何评估关键统计量的上下界并避免指数矩发散？
- 方法与思路
- 作者以 Tsallis 风险价值推广熵风险价值，用多项式矩要求处理测度歧义，并以半隐式梯度下降计算风险量和测度变化。
- 材料陈述的贡献
- 摘要称熵风险价值因指数被积函数发散而无法评估所研究流量统计量，Tsallis 版本可避免该问题，并提供真实流量应用。
- 阅读关注点
- 应核对聚合过程与回复测度的定义、歧义集合和矩条件，以及风险量如何对应统计界限、数值算法是否稳定收敛。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未经核实；摘要未说明所需多项式矩阶数、参数限制或界限数值，应用对象是河流流量。
原文摘要
The modeling and identification of time series data with a long memory are important in various fields. The streamflow discharge is one such example that can be reasonably described as an aggregated stochastic process of randomized affine processes where the probability measure, we call it reversion measure, for the randomization is not directly observable. Accurate identification of the reversion measure is critical because of its omnipresence in the aggregated stochastic process. However, the modeling accuracy is commonly limited by the available real-world data. One approach to this issue is to evaluate the upper and lower bounds of a statistic of interest subject to ambiguity of the reversion measure. Here, we use the Tsallis Value-at-Risk (TsVaR) as a convex risk measure to generalize the widely used entropic Value-at-Risk (EVaR) as a sharp statistical indicator. We demonstrate that the EVaR cannot be used for evaluating key statistics, such as mean and variance, of the streamflow discharge due to the blowup of some exponential integrand. In contrast, the TsVaR avoids this issue because it requires only the existence of some polynomial, not exponential moment. As a demonstration, we apply the semi-implicit gradient descent method to calculate the TsVaR and corresponding Radon-Nikodym derivative for time series data of actual streamflow discharges in mountainous river environments.