用于归一化流的灵活尾部及其在金融收益数据建模中的应用
Flexible Tails for Normalising Flows, with Application to the Modelling of Financial Return Data
AI总结：
本文提出一种基于极值理论的尾部变换层，将其嵌入归一化流以建模多元重尾分布，并应用于金融收益数据，可直接生成含极端冲击的合成收益集。
摘要：
受极值理论启发，我们提出一种能够改变分布尾部性质的变换，该变换可作为归一化流中的一个层，用于近似多元重尾分布。我们将该方法应用于金融收益建模，以捕捉此类数据中可能出现的极端冲击。训练后的模型可直接用于生成新的可能包含极端收益的合成数据集。
英文摘要：
We propose a transformation capable of altering the tail properties of a distribution, motivated by extreme value theory, which can be used as a layer in a normalizing flow to approximate multivariate heavy tailed distributions. We apply this approach to model financial returns, capturing potentially extreme shocks that arise in such data. The trained models can be used directly to generate new synthetic sets of potentially extreme returns
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
