Limit Theory for Online Expectile Estimation under Short and Long Range Dependence
短程与长程相依下在线期望分位数估计的极限理论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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要以平稳因果过程、短程与长程相依（长记忆线性过程）及极限分布为核心，直接对应时间序列方向；同时以期望分位数用于金融风险度量与预测为动机，涉及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…
关注这篇论文的作者
短程与长程相依下在线期望分位数估计的极限理论
- 研究问题
- 摘要称，期望分位数是尾部敏感的分布摘要，在金融风险度量与预测中有重要应用，但从相依数据出发对其进行在线估计的统计理论仍有限；本文研究平稳因果过程边际期望分位数的一次遍历随机梯度估计的极限行为。
- 方法与思路
- 作者提出带常数学习率 γ 的一步随机梯度递推算法，摘要称该递推存在唯一平稳因果解并几何遗忘初值；在短程相依下推导最后一次迭代在 √γ 尺度上的渐近高斯性，在长记忆线性过程下推导尺度 γ^{β-1/2}ℓ(1/γ) 的高斯极限，并给出多个期望分位数水平的联合长记忆极限与极限协方差结构。
- 材料陈述的贡献
- 摘要明确陈述的贡献是：为相依数据下期望分位数的在线估计建立极限理论，区分短程与长程相依两种机制下的收敛尺度与高斯极限，并刻画多水平联合极限的协方差结构；数值实验称支持所预测的高斯近似与机制特定的波动尺度。
- 阅读关注点
- 阅读全文时应核对：递推的具体形式与学习率条件、平稳因果解存在唯一性及几何遗忘的证明条件、短程相依与长记忆的假设（如线性过程、记忆参数 β 与 ℓ 的定义）、极限方差中总体曲率与长期方差的表述、多水平联合极限的协方差推导，以及数值实验的设置与是否与理论尺度一致。
- 阅读边界
- 仅凭摘要无法判断：定理的完整正则条件与识别假设、证明细节、数值实验的数据与设计、与其他在线估计方法的比较，以及结果在真实金融数据上的适用性；摘要未说明这些内容。该文为 arXiv 预印本，未经同行评审验证，不能据此声称已被期刊接收。
原文摘要
Expectiles are tail-sensitive distributional summaries with important applications in financial risk measurement and forecasting, yet statistical theory for their online estimation from dependent data remains limited. We study a one-pass, stochastic-gradient algorithm with constant learning rate $γ$ for estimating the marginal expectile of a stationary causal process. The recursion admits a unique stationary causal solution and geometrically forgets its initialization. Under short-range dependence, its last iterate is asymptotically Gaussian at the $\sqrtγ$ scale, with variance governed by the population curvature and the long-run variance of the expectile score. For long-memory linear processes the scale changes to $γ^{β-1/2}\ell(1/γ)$, with a Gaussian limit arising from a fractional Brownian motion integral. We further derive the joint long-memory limit for multiple expectile levels and characterize its limiting covariance structure. Various numerical experiments corroborate the predicted Gaussian approximations and regime-specific fluctuation scales.