Moment Problem and Its Application to Tail Risk Assessment
Notice bibliographique
Résumé
The paper discusses how to assess risk by computing the best upper and lower bounds on the expected value E[φ(X)], subject to the constraints E[Xi] = µi for i = 0, 1, 2, . . . , n. φ(x) can take the form of the indicator function φ(x) = 𝕀(−∞,K](x) in which the bounds on Pr(X ≤ K) are calculated and the form φ(x) = (ϕ(x)−K)+ in which the bounds on financial payments are founds. We solve the moment bounds on E[𝕀(−∞,K](X)] through three methods; namely, the semidefinite programming method, the moment-matching method, and the linear approximation method. We show that for practical purposes, these methods provide numerically equivalent results. We explore the accuracy of bounds in terms of the number of moments considered. We investigate the usefulness of the moment method by comparing the moment bounds with the “point” estimate provided by the Johnson System of distributions. In addition, we propose a simpler formulation for the unimodal bounds on E[𝕀(−∞,K](X)] compared to the existing formulations in the literature. Furthermore, for those problems that could be solved both analytically and numerically given the first few moments, our comparisons between the numerical and analytical results call attention to the potential differences between these two methodologies. Our analysis indicates the numerical bounds could deviate from their corresponding analytical counterparts. The accuracy of numerical bounds is sensitive to the volatility of X. The more volatile the random variable X is, the looser the numerical bounds are compared to their closed-form solutions.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,022 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,002 | 0,004 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».