CVaR Regression Based on the Relation between CVaR and Mixed-Quantile Quadrangles
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
A popular risk measure, conditional value-at-risk (CVaR), is called expected shortfall (ES) in financial applications. The research presented involved developing algorithms for the implementation of linear regression for estimating CVaR as a function of some factors. Such regression is called CVaR (superquantile) regression. The main statement of this paper is: CVaR linear regression can be reduced to minimizing the Rockafellar error function with linear programming. The theoretical basis for the analysis is established with the quadrangle theory of risk functions. We derived relationships between elements of CVaR quadrangle and mixed-quantile quadrangle for discrete distributions with equally probable atoms. The deviation in the CVaR quadrangle is an integral. We present two equivalent variants of discretization of this integral, which resulted in two sets of parameters for the mixed-quantile quadrangle. For the first set of parameters, the minimization of error from the CVaR quadrangle is equivalent to the minimization of the Rockafellar error from the mixed-quantile quadrangle. Alternatively, a two-stage procedure based on the decomposition theorem can be used for CVaR linear regression with both sets of parameters. This procedure is valid because the deviation in the mixed-quantile quadrangle (called mixed CVaR deviation) coincides with the deviation in the CVaR quadrangle for both sets of parameters. We illustrated theoretical results with a case study demonstrating the numerical efficiency of the suggested approach. The case study codes, data, and results are posted on the website. The case study was done with the Portfolio Safeguard (PSG) optimization package, which has precoded risk, deviation, and error functions for the considered quadrangles.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
score_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