Factorized Tail Volatility Model: Augmenting Excess-over-Threshold Method for High-Dimensional Hevay-Tailed Data
因子化尾部波动模型：扩展高维厚尾数据的超阈值方法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：摘要明确以尾部风险和异方差尾部波动建模为目标，但未提供具体金融市场应用。
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…
因子化尾部波动模型：扩展高维厚尾数据的超阈值方法
- 研究问题
- 如何在高维厚尾数据中联合刻画中心、中间及极端分位数，同时选择超阈值建模的阈值并处理异方差尾部波动？
- 方法与思路
- 作者将中心分位数模型与超阈值方法结合，用低秩线性因子和厚尾个体成分分解尾部分位数，并设计迭代估计与因子选择准则。
- 材料陈述的贡献
- 摘要称建立因子、载荷及中间和极端分位数估计的渐近性质，提出验证程序，并在模拟中较现有方法表现更好。
- 阅读关注点
- 核对阈值与极端程度的选择、尾部分位数分解的识别条件，以及迭代算法、因子数准则和渐近结果的适用范围。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收均未核实；摘要未说明具体渐近条件、改善幅度及金融市场数据上的适用性。
原文摘要
Ecess-over-Threshold method is a crucial technique in extreme value analysis, which approximately models larger observations over a threshold using a Generalized Pareto Distribution. This paper presents a comprehensive framework for analyzing tail risk in high-dimensional data by introducing the Factorized Tail Volatility Model (FTVM) and integrating it with central quantile models through the EoT method. This integrated framework is termed the FTVM-EoT method. In this framework, a quantile-related high-dimensional data model is employed to select an appropriate threshold at the central quantile for the EoT method, while the FTVM captures heteroscedastic tail volatility by decomposing tail quantiles into a low-rank linear factor structure and a heavy-tailed idiosyncratic component. The FTVM-EoT method is highly flexible, allowing for the joint modeling of central, intermediate, and extreme quantiles of high-dimensional data, thereby providing a holistic approach to tail risk analysis. In addition, we develop an iterative estimation algorithm for the FTVM-EoT method and establish the asymptotic properties of the estimators for latent factors, loadings, intermediate quantiles, and extreme quantiles. A validation procedure is introduced, and an information criterion is proposed for optimal factor selection. Simulation studies demonstrate that the FTVM-EoT method consistently outperforms existing methods at intermediate and extreme quantiles.