MétaCan
Menu
Retour à la cohorte
Enregistrement W2952412542 · doi:10.1017/asb.2016.22

A FORM OF MULTIVARIATE PARETO DISTRIBUTION WITH APPLICATIONS TO FINANCIAL RISK MEASUREMENT

2016· preprint· en· W2952412542 sur OpenAlexafffund
Jianxi Su, Edward Furman

Notice bibliographique

RevueAstin Bulletin · 2016
Typepreprint
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueFinancial Risk and Volatility Modeling
Établissements canadiensYork University
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaMitacsGovernment of Ontario
Mots-clésPareto distributionJoint probability distributionHeavy-tailed distributionGeneralized Pareto distributionUnivariateMaxima and minimaMathematicsLebesgue measurePareto principleMultivariate statisticsDistribution (mathematics)Marginal distributionLomax distributionMaximaMeasure (data warehouse)EconometricsMultivariate normal distributionProbability distributionApplied mathematicsStatisticsExtreme value theoryLebesgue integrationRandom variableComputer scienceDiscrete mathematicsMathematical analysisData mining

Résumé

récupéré en direct d'OpenAlex

Abstract A new multivariate distribution possessing arbitrarily parametrized and positively dependent univariate Pareto margins is introduced. Unlike the probability law of Asimit et al . (2010), the structure in this paper is absolutely continuous with respect to the corresponding Lebesgue measure. The distribution is of importance to actuaries through its connections to the popular frailty models, as well as because of the capacity to describe dependent heavy-tailed risks. The genesis of the new distribution is linked to a number of existing probability models, and useful characteristic results are proved. Expressions for, e.g., the decumulative distribution and probability density functions, (joint) moments and regressions are developed. The distributions of minima and maxima, as well as, some weighted risk measures are employed to exemplify possible applications of the distribution in insurance.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,935
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,041
Tête enseignante GPT0,231
Écart entre enseignants0,191 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeThéorique ou conceptuel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations5
Publié2016
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueAstin BulletinMême sujetFinancial Risk and Volatility ModelingTravaux en français237 207