Extreme-Case Distortion Risk Measures: A Unification and Generalization of Closed-Form Solutions
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
Extreme-case risk measures provide an approach for quantifying the upper and lower bounds of risk in situations where limited information is available regarding the underlying distributions. Previous research has demonstrated that for popular risk measures, such as value-at-risk and conditional value-at-risk, the worst-case counterparts can be evaluated in closed form when only the first two moments of the underlying distributions are known. In this study, we extend these findings by presenting closed-form solutions for a general class of distortion risk measures, which consists of various popular risk measures as special cases when the first and certain higher-order (i.e., second or more) absolute center moments, alongside the symmetry properties of the underlying distributions, are known. Moreover, we characterize the extreme-case distributions with convex or concave envelopes of the corresponding distributions. By providing closed-form solutions for extreme-case distortion risk measures and characterizations for the corresponding distributions, our research contributes to the understanding and application of risk quantification methodologies. Funding: H. Shao acknowledges support from the Yangtze River Delta Science and Technology Innovation Community Joint Research Program [Grant 2022CSJGG0800]. Z. G. Zhang acknowledges support from the Canadian Network for Research and Innovation in Machining Technology, Natural Sciences and Engineering Research Council of Canada [Grant RGPIN-2019-06364]. Supplemental Material: The online appendix is available at https://doi.org/10.1287/moor.2022.0156 .
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 | 0,009 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,001 | 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