On the estimation of extreme tail probabilities
极端尾部概率的估计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：摘要讨论一般极值与尾部概率估计，未提供金融尾部风险或系统性风险应用证据。
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
极端尾部概率的估计
- 研究问题
- 当目标尾部概率远超观测数据范围、可用模型仅是精度未知的渐近近似时，如何评估近似误差并构造估计量？
- 方法与思路
- 作者提出一种非标准的 bootstrap 用法，以经验方式评估极值近似的准确程度，并据此选择适当的尾部概率估计量。
- 材料陈述的贡献
- 摘要将渐近近似精度的量化与尾部概率的适当估计联系起来，提出一种面向实际使用的误差评估工具。
- 阅读关注点
- 核对重抽样方案、尾部外推所需条件，以及样本如何为观测范围之外的近似误差评估提供依据。
- 阅读边界
- 所给材料为版本未注明的 OpenAlex 索引摘要；摘要未给出尾部条件、误差保证或估计性能，不能据此保证外推准确。
原文摘要
Applications of extreme value theory to problems of statistical inference typically involve estimating tail probabilities well beyond the range of the data, without the benefit of a concise mathematical model for the sampling distribution. The available model is generally only an asymptotic one. That is, an approximation to probabilities of extreme deviation is supposed, which is assumed to become increasingly accurate as one moves further from the range of the data, but whose concise accuracy is unknown. Quantification of the level of accuracy is essential for optimal estimation of tail probabilities. In the present paper we suggest a practical device, based on a nonstandard application of the bootstrap, for determining empirically the accuracy of the approximation and thereby constructing appropriate estimators.