An M-estimator for tail dependence in arbitrary dimensions
任意维度尾部依赖的 M 估计量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：摘要研究一般多元极值尾部依赖，未明确金融风险对象，故不直接归入金融风险。
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…
任意维度尾部依赖的 M 估计量
- 研究问题
- 当随机样本属于多元极值分布的最大吸引域，且极限依赖结构采用参数模型时，如何估计其未知尾部依赖参数？
- 方法与思路
- 作者最小化尾部依赖函数的加权积分向量与经验对应量之间的距离，构造可用于离散或连续谱测度的估计量。
- 材料陈述的贡献
- 摘要称最小化问题以趋于一的概率具有唯一全局解，估计量一致且渐近正态，并用例子展示适用性与表现。
- 阅读关注点
- 应核对参数可识别性、权函数选择、极值阈值和二阶尾部条件，以及唯一解与渐近正态分别需要哪些假设。
- 阅读边界
- OpenAlex 索引摘要版本未注明，未列完整正则条件或例子结果；任意维度表述不能据此理解为维度随样本量增长。
原文摘要
Consider a random sample in the max-domain of attraction of a multivariate extreme value distribution such that the dependence structure of the attractor belongs to a parametric model. A new estimator for the unknown parameter is defined as the value that minimizes the distance between a vector of weighted integrals of the tail dependence function and their empirical counterparts. The minimization problem has, with probability tending to one, a unique, global solution. The estimator is consistent and asymptotically normal. The spectral measures of the tail dependence models to which the method applies can be discrete or continuous. Examples demonstrate the applicability and the performance of the method.