19 Arbeiten
Dieses Papier stellt einen iterativen Algorithmus vor, der eine martingale Version des Sinkhorn-Verfahrens für das Benamou-Brenier-Optimaltransportproblem in beliebigen Dimensionen darstellt und unter minimalen Momentenbedingungen die Existenz einer Bass-Potenzial-Lösung beweist.
Die Arbeit zeigt, dass stochastische Aufmerksamkeit durch Langevin-Dynamik auf der modernen Hopfield-Energie eine trainingsfreie Methode zur Steuerung zwischen exakter Informationssuche und diverser Generierung ermöglicht, ohne dass ein gelerntes Modell oder Architekturänderungen erforderlich sind.
Die Arbeit stellt Augmented Time Series Causal Models (ATSCM) vor, ein Framework, das neuronale kausale Entdeckung mit Gegenfaktischen Schlussfolgerungen kombiniert, um die komplexen, zeitlich variierenden kausalen Zusammenhänge in Energiemärkten zu modellieren und Szenarioanalysen für Strompreise zu ermöglichen.
Die vorgestellte Arbeit führt das TNCM-VAE-Modell ein, das Variational Autoencoder mit strukturellen Kausalmodellen kombiniert, um synthetische Finanzzeitreihen zu generieren, die sowohl zeitliche Abhängigkeiten als auch kausale Zusammenhänge bewahren und somit verlässliche Gegenfakten für Risikoanalysen und Stresstests ermöglichen.
Diese Arbeit führt Unsicherheitsquantifizierung in das Deep Hedging ein, indem sie ein Ensemble von LSTM-Netzwerken trainiert, um eine Konfidenzmetrik zu generieren, die durch eine CVaR-optimierte Mischstrategie mit dem Black-Scholes-Delta zu signifikant verbesserten Hedging-Ergebnissen führt.
Diese Studie nutzt einen gerichteten bipartiten Graphen innerhalb eines maschinellen Lernrahmens, um die Vorhersagbarkeit von Aktienrenditen zwischen den US- und chinesischen Märkten zu analysieren, und zeigt dabei eine ausgeprägte Asymmetrie auf, bei der US-Renditen signifikante Informationen für chinesische Intraday-Renditen liefern, während der umgekehrte Effekt begrenzt ist.
Die Studie stellt einen risikobewussten Bewertungsrahmen für die Sicherheit von Large Language Models im Finanzsektor vor, der eine domänenspezifische Taxonomie, automatisierte Red-Teaming-Pipelines und einen neuen „Risk-Adjusted Harm Score" (RAHS) kombiniert, um die spezifischen regulatorischen und operationellen Risiken plausibel formulierter Angriffe besser zu erfassen als herkömmliche, domänenübergreifende Benchmarks.
Diese Arbeit stellt ein modellunabhängiges Framework vor, das durch eine gestörte optimale Transportkalibrierung von SPX- und VIX-Marktvolatilitäten sowie eine Fisher-Information-Linearisierung schnelle und präzise Risikoszenarien und verbesserte Absicherungsergebnisse im Vergleich zu vollständigen Neukalibrierungen oder stochastischen lokalen Volatilitätsmodellen ermöglicht.
Diese Arbeit löst das Merton-Portfolio-Optimierungsproblem in einem nicht-Markovschen, multivariaten fälschlich stationären Volterra-Heston-Umfeld, indem sie eine stochastische Faktorlösung für eine Riccati-Rückwärts-Differentialgleichung verwendet, um optimale Strategien in halb-geschlossener Form herzuleiten und deren Abhängigkeit von rauen Volatilitäten numerisch zu untersuchen.
Diese Arbeit stellt neue Fourier-RQMC-Verfahren vor, die durch die Kombination von Fourier-Inversionstechniken und randomisierter Quasi-Monte-Carlo-Sampling die numerische Schätzung multivariater Shortfall-Risiken und optimaler Allokationen im Frequenzbereich effizienter und genauer machen als herkömmliche Monte-Carlo-Ansätze.
Die Studie nutzt künstliche Marktsimulationen, um zu zeigen, dass Arbitrage zwischen gehebelten ETFs und Futures während eines Marktabschwungs die Liquidität durch gegenseitige Übertragung von Orderbuchtiefe und Tightness zwischen den beiden Märkten stabilisiert.
Dieses Paper stellt ein neuronales Netzwerk-Framework für mehrstufige Risiko-Rendite-Steueraufgaben mit eingeschränkten, möglicherweise unstetigen Zwei-Schritt-Rückkopplungspolitiken vor und beweist unter milden Regularitätsbedingungen die Konvergenz des empirischen Optimums gegen den wahren Optimalwert bei steigender Netzwerkkapazität und Stichprobengröße.
Die Arbeit stellt Onflow vor, einen modellfreien, online-fähigen Portfolio-Allokationsalgorithmus, der auf Reinforcement Learning und Gradientenflüssen basiert und sich durch eine robuste Performance bei hohen Transaktionskosten sowie eine hohe Effizienz ohne Annahmen über die Verteilung der Asset-Renditen auszeichnet.
Die Studie stellt ein finanztheoriebasiertes neuronales Netzwerk (FINN) vor, das Optionspreise und Absicherungsstrategien durch ein selbstüberwachtes Lernziel zur dynamischen Absicherung ermittelt, wodurch arbitragefreie Preise und konsistente Sensitivitäten auch in komplexen oder datenarmen Marktumgebungen gewährleistet werden.
Die Studie stellt WaveLSFormer vor, einen lernbaren waveletbasierten Transformer, der durch eine end-zu-end-Optimierung von Multi-Skalen-Zerlegungen und risikoadjustierten Handelszielen eine überlegene Profitabilität und Risikosteuerung im Long-Short-Aktienhandel im Vergleich zu herkömmlichen Modellen erreicht.
Diese Arbeit untersucht ein Optimal-Stopping-Problem mit einer unstetigen Belohnungsfunktion zur Bewertung von Variable-Annuity-Verträgen, indem sie analytische Eigenschaften der Wertfunktion herleitet und zeigt, wie Gebühren und Rückkaufgebühren die Rückkaufregion sowie die optimale Ausübungsgrenze bestimmen.
Diese Studie zeigt, dass die Integration von Indexoptionen in ein Enhanced-Indexing-Portfolio, das auf stochastischer Dominanz zweiter Ordnung basiert, die Out-of-Sample-Performance signifikant verbessert, wobei ein manuell bereinigter Datensatz des S&P 500 für den Zeitraum 2017–2025 verwendet und für die Forschung verfügbar gemacht wird.
Die Studie stellt zwei reinforcement-learning-basierte Rahmenwerke vor, die durch die Berücksichtigung von Ausfallwahrscheinlichkeiten die Effektivität des autonomen Options-Hedgings verbessern und nachweislich das Tail-Risiko sowie die finanzielle Stabilität in Stressszenarien erhöhen.
Diese Arbeit stellt eine differentialle Machine-Learning-Methode für 0DTE-Optionen unter einem stochastischen Volatilitäts-Sprung-Diffusionsmodell vor, die durch eine spezielle Netzwerkarchitektur und ein mehrstufiges Trainingsverfahren gleichzeitig präzise Preise und Griechen berechnet und dabei Fourier-basierte Benchmarks in Geschwindigkeit und Hedging-Stabilität übertrifft.