Structured linear factor models for tail dependence
尾部依赖的结构化线性因子模型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：摘要涉及通用重尾因子与极端依赖理论，但未明确金融数据或风险应用，故不足以归入金融因子或金融风险方向。
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
尾部依赖的结构化线性因子模型
- 研究问题
- 在重尾线性或最大线性因子模型中，当因子数和载荷矩阵均未知时，如何估计稳定尾部依赖函数并获得有限样本保证？
- 方法与思路
- 作者对因子载荷矩阵施加纯变量假设，提出两种算法联合估计因子数和非负载荷矩阵，并分析其有限样本性质。
- 材料陈述的贡献
- 摘要称两种算法均有有限样本保证，且允许维度超过样本量；通过数值实验和两个案例展示方法，但未说明案例领域。
- 阅读关注点
- 应核对纯变量假设的定义与可检验性、因子和载荷的识别方式，以及高维保证对信号强度、尾部特征和样本量的要求。
- 阅读边界
- 所据为 arXiv 预印本摘要，同行评审及期刊接收未核实；保证的具体条件、误差界和案例内容未说明，不能推广至任意尾部模型。
原文摘要
A common object to describe the extremal dependence of a $d$-variate random vector $X$ is the stable tail dependence function $L$. Various parametric models have emerged, with a popular subclass consisting of those stable tail dependence functions that arise for linear and max-linear factor models with heavy tailed factors. The stable tail dependence function is then parameterized by a $d \times K$ matrix $A$, where $K$ is the number of factors and where $A$ can be interpreted as a factor loading matrix. We study estimation of $L$ under an additional assumption on $A$ called the `pure variable assumption'. Both $K \in \{1, \dots, d\}$ and $A \in [0, \infty)^{d \times K}$ are treated as unknown, which constitutes an unconventional parameter space that does not fit into common estimation frameworks. We suggest two algorithms that allow to estimate $K$ and $A$, and provide finite sample guarantees for both algorithms. Remarkably, the guarantees allow for the case where the dimension $d$ is larger than the sample size $n$. The results are illustrated with numerical experiments and two case studies.