Tail Risk in the Tail: Estimating High Quantiles When a Related Variable is Extreme
尾部中的尾部风险：相关变量极端时的高分位数估计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：摘要明确以条件高分位数衡量尾部风险，并将金融系统性风险 CoVaR 作为主要应用。
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
尾部中的尾部风险：相关变量极端时的高分位数估计
- 研究问题
- 当一个相关变量处于极端状态时，如何估计目标变量的条件高分位数，并将其用于金融系统性风险指标 CoVaR 的评估？
- 方法与思路
- 作者通过调整因子处理二元尾部依赖结构，将该因子与单变量高分位数估计技术结合，构造极端条件下的高分位数估计量。
- 材料陈述的贡献
- 摘要称在相对弱的假设下建立估计量的渐近性质，并以模拟和真实数据示例展示表现，金融 CoVaR 是主要应用之一。
- 阅读关注点
- 应核对极端条件与 CoVaR 的精确定义、调整因子的估计方式，以及尾部依赖、阈值选择和渐近理论所需的具体条件。
- 阅读边界
- 仅据所给 OpenAlex 版本摘要；未说明尾部假设、渐近分布或阈值敏感性，不能据此判断特定市场风险水平或推断刊本变化。
原文摘要
In this article we address the problem of high quantile estimation conditional on a related variable being extreme. The problem set-up is of interest in a number applications to evaluate tail risk of a focal variable in the tail of a conditioning variable. A primary example we consider is the assessment of systemic risk in financial markets using a risk measure known as the conditional value-at-risk (CoVaR). The proposed estimator is based on a novel approach to handle the bivariate tail dependence structure through an adjustment factor that can be used in conjunction with univariate high quantile estimation techniques. We establish the asymptotic behavior of the estimator under relatively weak assumptions, and illustrate its performance via simulation studies and a real data example. Supplementary materials for this article are available online, including a standardized description of the materials available for reproducing the work.