Marginal expected shortfall inference under multivariate regular variation
多元正则变动下边际期望损失的统计推断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。
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：摘要明确研究金融机构极端依赖、市场严重下跌与边际期望损失这一系统性风险指标，因此最直接对应尾部与系统性风险。
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…
多元正则变动下边际期望损失的统计推断
- 研究问题
- 严重市场下跌时，如何在边际期望损失的极端风险推断中纳入多家金融机构之间的极端依赖，而不只使用二元极值分析？
- 方法与思路
- 作者基于多元正则变动推导极端边际期望损失的近似公式，构造估计量及偏差修正版，并由渐近正态性建立置信区间。
- 材料陈述的贡献
- 摘要称，新估计量和区间在模拟中改善既有方法表现，并应用于金融收益；理论还扩展至允许部分重尾序列模型的 β 混合环境。
- 阅读关注点
- 应核对尾部与极端依赖假设、阈值和外推水平选择，以及偏差修正条件；还需检查 β 混合要求及置信区间的覆盖表现。
- 阅读边界
- 所给版本为 arXiv 预印本，同行评审及接收未核实；摘要未给出尾部条件、阈值规则或改善数值，不能推广至任意收益过程。
原文摘要
Marginal expected shortfall is unquestionably one of the most popular systemic risk measures. Studying its extreme behaviour is particularly relevant for risk protection against severe global financial market downturns. In this context, results of statistical inference rely on the bivariate extreme values approach, disregarding the extremal dependence among a large number of financial institutions that make up the market. In order to take it into account we propose an inferential procedure based on the multivariate regular variation theory. We derive an approximating formula for the extreme marginal expected shortfall and obtain from it an estimator and its bias-corrected version. Then, we show their asymptotic normality, which allows in turn the confidence intervals derivation. Simulations show that the new estimators greatly improve upon the performance of existing ones and confidence intervals are very accurate. An application to financial returns shows the utility of the proposed inferential procedure. Statistical results are extended to a general $β$-mixing context that allows to work with popular time series models with heavy-tailed innovations.