Tail Risk Inference via Expectiles in Heavy-Tailed Time Series
重尾时间序列中基于期望分位数的尾部风险推断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：摘要直接研究金融尾部风险，并在具有时间依赖的重尾序列框架下构造推断。
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…
重尾时间序列中基于期望分位数的尾部风险推断
- 研究问题
- 在具有时间依赖和重尾特征的数据中，如何估计极端期望分位数及相关尾部风险，并对边际与条件风险进行推断？
- 方法与思路
- 作者在一般 β-mixing 框架下研究极端期望分位数与相关边际期望损失，框架涵盖具有重尾创新的 ARMA 和 GARCH 模型。
- 材料陈述的贡献
- 摘要称，方法支持平稳分布风险和给定历史的动态风险估计；模拟与金融收益应用显示，依赖数据下的估计和区间有所改善。
- 阅读关注点
- 应核对尾部与依赖条件、极端水平的选取、边际及动态风险的定义，以及置信区间构造和模拟比较所用的基准方法。
- 阅读边界
- 仅据所给 OpenAlex 版本摘要；尾部指数条件、收敛速度和改善幅度未说明，不能推断其他依赖结构下的表现或刊本变化。
原文摘要
Expectiles define the only law-invariant, coherent and elicitable risk measure apart from the expectation. The popularity of expectile-based risk measures is steadily growing and their properties have been studied for independent data, but further results are needed to establish that extreme expectiles can be applied with the kind of dependent time series models relevant to finance. In this article we provide a basis for inference on extreme expectiles and expectile-based marginal expected shortfall in a general β-mixing context that encompasses ARMA and GARCH models with heavy-tailed innovations. Our methods allow the estimation of marginal (pertaining to the stationary distribution) and dynamic (conditional on the past) extreme expectile-based risk measures. Simulations and applications to financial returns show that the new estimators and confidence intervals greatly improve on existing ones when the data are dependent.