Risk Analysis via Generalized Pareto Distributions
基于广义帕累托分布的风险分析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：摘要以金融损失的极端尾部为对象，通过广义帕累托分布估计 VaR 及其区间，直接对应尾部风险度量与推断。
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…
基于广义帕累托分布的风险分析
- 研究问题
- 在以较高样本分位数设定超越阈值时，如何估计金融损失的 VaR，并评估阈值选择对估计不确定性的影响？
- 方法与思路
- 作者对阈值超额拟合广义帕累托分布，推导独立与时间序列样本下最大似然估计的渐近方差，并用随机加权 bootstrap 构造区间。
- 材料陈述的贡献
- 摘要称统一了非发散与发散阈值下的推断，指出方差随阈值选择变化；模拟和保险、金融应用显示区间覆盖表现良好。
- 阅读关注点
- 核对样本分位数阈值的渐近处理、尾部模型与序列依赖条件，以及 bootstrap 临界值如何由估计量的绝对差构造。
- 阅读边界
- 摘要未列阈值选取准则、尾部近似误差、依赖限制和覆盖率数值；据此无法判断特定数据中的 VaR 区间是否可靠。
原文摘要
We compute the value-at-risk of financial losses by fitting a generalized Pareto distribution to exceedances over a threshold. Following the common practice of setting the threshold as high sample quantiles, we show that, for both independent observations and time-series data, the asymptotic variance for the maximum likelihood estimation depends on the choice of threshold, unlike the existing study of using a divergent threshold. We also propose a random weighted bootstrap method for the interval estimation of VaR, with critical values computed by the empirical distribution of the absolute differences between the bootstrapped estimators and the maximum likelihood estimator. While our asymptotic results unify the inference with nondivergent and divergent thresholds, the finite sample studies via simulation and application to real data show that the derived confidence intervals well cover the true VaR in insurance and finance.