Multivariate Sparse Clustering for Extremes
多元极值的稀疏聚类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：摘要直接研究多元极端事件及尾部依赖，并应用于金融收益数据，对应金融尾部风险方向。
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
多元极值的稀疏聚类
- 研究问题
- 如何识别多元随机向量中极端事件发生的方向与共同极端坐标簇，并选择将观测判定为极端值的阈值？
- 方法与思路
- 作者利用稀疏正则变差，通过向单纯形的欧氏投影刻画尾部稀疏结构，构造极端坐标聚类与阈值识别程序及 MUSCLE 算法。
- 材料陈述的贡献
- 摘要称，该方法提供识别尾部依赖簇的严谨程序和高效可扩展算法，通过数值示例展示其作用，并以金融收益数据说明应用。
- 阅读关注点
- 应核对稀疏正则变差的适用条件、投影后簇的统计含义，以及阈值选择与聚类误差的关系，并查看有限样本尾部稳定性。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；阈值规则、误差保证及金融应用数值未提供，不能据此推断实际风险预测或管理效果。
原文摘要
Identifying directions where extreme events occur is a significant challenge in multivariate extreme value analysis. In this article, we use the concept of sparse regular variation introduced by Meyer and Wintenberger to infer the tail dependence of a random vector X. This approach relies on the Euclidean projection onto the simplex which better exhibits the sparsity structure of the tail of X than the standard methods. Our procedure based on a rigorous methodology aims at capturing clusters of extremal coordinates of X. It also includes the identification of the threshold above which the values taken by X are considered extreme. We provide an efficient and scalable algorithm called MUSCLE and apply it to numerical examples to highlight the relevance of our findings. Finally, we illustrate our approach with financial return data. Supplementary materials for this article are available online.