Telling tales from the tails: High‐dimensional tail interdependence
尾部的故事：高维尾部相依性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：摘要以高维尾部相依度量和检验为核心，并应用于股票指数成分股，因此直接对应金融尾部与系统性风险方向。
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…
尾部的故事：高维尾部相依性
- 研究问题
- 高维变量之间的尾部相依结构如何度量，怎样检验尾部独立、假定模型与数据的相依结构是否一致，以及不同尾部间的对称性？
- 方法与思路
- 作者用共同超越事件刻画尾部相依结构，借助多重信息（multi-information）定义尾部相依系数，并构造独立性、拟合优度与对称性检验。
- 材料陈述的贡献
- 摘要提出可分析高维尾部相依性的灵活框架与三类统计检验，并展示对摘要所述标普250指数中250只成分股的尾部相依分析。
- 阅读关注点
- 核对尾部阈值与共同超越事件的定义、相依系数的估计方式及高维检验的有效条件，并检查成分股分析的样本设定与具体发现。
- 阅读边界
- 摘要未说明阈值选择、样本频率、检验近似的有效条件或具体实证发现；尾部相依性本身不能直接作为风险传染的因果证据。
原文摘要
Summary We propose a simple and flexible framework that allows for a comprehensive analysis of tail interdependence in high dimensions. We use co‐exceedances to capture the structure of the dependence in the tails and, relying on the concept of multi‐information, define the coefficient of tail interdependence. Within this framework, we develop statistical tests of (i) independence in the tails, (ii) goodness‐of‐fit of the tail interdependence structure of a hypothesized model with the one observed in the data, and (iii) dependence symmetry between any two tails. We present an analysis of tail interdependence among 250 constituents of the S&P 250 index.