ترجمه فارسی مقاله بهینه‌سازی توزیعی استوار به عنوان یک چارچوب مقیاس‌پذیر برای توصیف توزیع‌های با مقادیر حدی

چکیده

The goal of this paper is to develop distributionally robust optimization (DRO) estimators, specifically for multidimensional Extreme Value Theory (EVT) statistics. EVT supports using semi-parametric models called max-stable distributions built from spatial Poisson point processes. While powerful, these models are only asymptotically valid for large samples. However, since extreme data is by definition scarce, the potential for model misspecification error is inherent to these applications, thus DRO estimators are natural. In order to mitigate over-conservative estimates while enhancing out-of-sample performance, we study DRO estimators informed by semi-parametric max-stable constraints in the space of point processes. We study both tractable convex formulations for some problems of interest (e.g. CVaR) and more general neural network based estimators. Both approaches are validated using synthetically generated data, recovering prescribed characteristics, and verifying the efficacy of the proposed techniques. Additionally, the proposed method is applied to a real data set of financial returns for comparison to a previous analysis. We established the proposed model as a novel formulation in the multivariate EVT domain, and innovative with respect to performance when compared to relevant alternate proposals.

چکیده به فارسی (ترجمه ماشینی)

هدف از این مقاله توسعه برآوردگرهای بهینه سازی توزیع کننده قوی (DRO) ، به طور خاص برای آمار تئوری ارزش شدید چند بعدی (EVT) است.EVT با استفاده از مدلهای نیمه پارامتری به نام توزیع حداکثر پایدار ساخته شده از فرآیندهای نقطه پواسون فضایی پشتیبانی می کند.در حالی که قدرتمند است ، این مدل ها فقط برای نمونه های بزرگ به صورت مجانبی معتبر هستند.با این حال ، از آنجا که داده های افراطی با تعریف کمیاب است ، پتانسیل خطای اشتباه اشتباه مدل ذاتی این برنامه ها است ، بنابراین برآوردگرهای DRO طبیعی هستند.به منظور کاهش برآوردهای بیش از حد محافظه کارانه در حالی که عملکرد خارج از نمونه را افزایش می دهد ، ما برآوردگرهای DRO را که توسط محدودیت های حداکثر پایدار نیمه پارامتری در فضای فرآیندهای نقطه آگاه شده است ، مطالعه می کنیم.ما هر دو فرمولاسیون محدب قابل ردیابی را برای برخی از مشکلات مورد علاقه (به عنوان مثال CVAR) و برآوردگرهای مبتنی بر شبکه عصبی بیشتر مطالعه می کنیم.هر دو روش با استفاده از داده های تولید شده مصنوعی ، بازیابی ویژگی های تجویز شده و تأیید اثربخشی تکنیک های پیشنهادی تأیید می شوند.علاوه بر این ، روش پیشنهادی برای مقایسه با تجزیه و تحلیل قبلی برای یک مجموعه داده واقعی بازده مالی اعمال می شود.ما مدل پیشنهادی را به عنوان یک فرمول جدید در حوزه EVT چند متغیره ایجاد کردیم و با توجه به عملکرد در مقایسه با پیشنهادات جایگزین مربوطه ، نوآورانه است.