Decompositions of dependence for high-dimensional extremes
高维极值依赖的分解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：摘要直接研究高维尾部依赖并应用于金融收益数据，与金融尾部风险方向相关。
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…
高维极值依赖的分解
- 研究问题
- 如何在正则变动框架内概括高维尾部依赖，使复杂的极端共变关系能够通过分解得到解释并用于构造随机向量？
- 方法与思路
- 作者通过变换在正正交象限定义向量空间，构建两两尾部依赖矩阵，并利用特征分解与完全正性描述尾部结构。
- 材料陈述的贡献
- 摘要称变换线性运算保持正则变动，尾部依赖矩阵具有半正定性及完全正性，并可构造具有相同两两尾部依赖的向量。
- 阅读关注点
- 应核对变换与尾部指标的定义、矩阵分解的解释和非唯一性，以及降雨和金融收益应用中尾部指标的估计方式。
- 阅读边界
- 仅据所给 Crossref 摘要，不能判断完整高阶尾部依赖是否被两两指标刻画；摘要未说明估计误差或风险测度的具体表现。
原文摘要
Summary We propose two decompositions that help to summarize and describe high-dimensional tail dependence within the framework of regular variation. We use a transformation to define a vector space on the positive orthant and show that transformed-linear operations applied to regularly-varying random vectors preserve regular variation. We summarize tail dependence via a matrix of pairwise tail dependence metrics that is positive semidefinite; eigendecomposition allows one to interpret tail dependence in terms of the resulting eigenbasis. This matrix is completely positive, and one can easily construct regularly-varying random vectors that share the same pairwise tail dependencies. We illustrate our methods with Swiss rainfall and financial returns data.