Publication

Robust Bounds In Multivariate Extremes

Sebastian Engelke
2017
Article
Résumé

Extreme value theory provides an asymptotically justified framework for estimation of exceedance probabilities in regions where few or no observations are available. For multivariate tail estimation, the strength of extremal dependence is crucial and it is typically modeled by a parametric family of spectral distributions. In this work, we provide asymptotic bounds on exceedance probabilities that are robust against misspecification of the extremal dependence model. They arise from optimizing the statistic of interest over all dependence models within some neighborhood of the reference model. A certain relaxation of these bounds yields surprisingly simple and explicit expressions, which we propose to use in applications. We show the effectiveness of the robust approach compared to classical confidence bounds when the model is misspecified. The results are further applied to quantify the effect of model uncertainty on the Value-at-Risk of a financial portfolio.

À propos de ce résultat
Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.

Graph Chatbot

Chattez avec Graph Search

Posez n’importe quelle question sur les cours, conférences, exercices, recherches, actualités, etc. de l’EPFL ou essayez les exemples de questions ci-dessous.

AVERTISSEMENT : Le chatbot Graph n'est pas programmé pour fournir des réponses explicites ou catégoriques à vos questions. Il transforme plutôt vos questions en demandes API qui sont distribuées aux différents services informatiques officiellement administrés par l'EPFL. Son but est uniquement de collecter et de recommander des références pertinentes à des contenus que vous pouvez explorer pour vous aider à répondre à vos questions.