High-Dimensional Inference for Extreme Value Indices
极值指数的高维推断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：摘要虽以复合事件尾部风险为动机，但未明确金融风险场景，所列金融细分的归属证据不足。
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
极值指数的高维推断
- 研究问题
- 在高维复合事件的尾部风险分析中，如何检验不同维度是否具有相同极值指数，并应对传统Wald型检验表现随维数恶化的问题？
- 方法与思路
- 作者针对弱横截面尾部依赖及一般尾部依赖提出极值指数比较检验，建立渐近性质，并通过模拟和两个真实数据集展示应用。
- 材料陈述的贡献
- 摘要称新检验在高维模拟中显著优于已有方法，并用于重新考察两个此前假定各维极值指数相同的数据集。
- 阅读关注点
- 应核对维数增长与尾部样本量的关系、两类尾部依赖条件、阈值选择方法，以及检验的原假设、尺寸和功效比较。
- 阅读边界
- 仅据所给OpenAlex摘要版本，不能推断后续刊本变化。摘要未提供数据集领域、具体渐近条件或数值结果，不能直接判断金融应用表现。
原文摘要
When applying multivariate extreme value statistics to analyze tail risk in compound events defined by a multivariate random vector, one often assumes that all dimensions share the same extreme value index. While such an assumption can be tested using a Wald-type test, the performance of such a test deteriorates as the dimensionality increases.This paper introduces novel tests for comparing extreme value indices in high-dimensional settings, under both weak and general cross-sectional tail dependence. We establish the asymptotic behavior of the proposed tests. The proposed tests significantly outperform existing methods in high-dimensional scenarios in simulations. We demonstrate real-life applications of the proposed tests for two datasets previously assumed to have identical extreme value indices across all dimensions.