92 Arbeiten
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 demonstriert mittels Computersimulationen die prinzipielle Machbarkeit, die Entropie simulierter Tauschwirtschaften empirisch zu messen und so eine makroökonomische Analyse ohne Mikrofundierung im Rahmen der thermischen Makroökonomie durchzuführen.
Die Studie stellt ein hybrides Hidden-Markov-Modell vor, das diskrete Marktzustände mit einem Poisson-Sprungmechanismus kombiniert, um synthetische Aktienrenditen zu erzeugen, die sowohl die Verteilungseigenschaften als auch die zeitliche Struktur und Volatilitätsclustering realer Marktdaten besser abbilden als bestehende Ansätze wie GARCH oder Standard-HMMs.
Diese Arbeit stellt den gewichteten generalisierten Risikomaß (WGRM) und das gewichtete Risikoviereck (WRQ) vor, die heterogene Risikobewertungen synthetisieren, analytisch charakterisieren und durch Umformulierung in lineare Programme sowie empirische Tests an US-Aktienindizes eine robuste und rechnerisch effiziente Entscheidungsfindung ermöglichen.
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 Arbeit stellt ein zweistufiges stochastisches Kontrollmodell für Market-Making in RFQ-Märkten vor, das die Wechselwirkung zwischen schnellen Bestandsdynamiken und langsamen Promotions-Scores analysiert und dabei komplexe Phänomene wie Bistabilität sowie einen endogenen Wechsel zwischen Kampagnen- und Ernte-Strategien aufzeigt.
Die Studie nutzt Transaktionsdaten zu Repo-Geschäften, um nachzuweisen, dass die Marktmacht von Händlern sowie die Übertragung heterogener Schocks zwischen diesen für erhebliche Verzerrungen bei den Anleiherenditen und die Marktliquidität verantwortlich sind.
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.
Das Papier nutzt ein globales Spiel, um zu zeigen, wie Informationsstrukturen und fundamentale Bedingungen die Wahrscheinlichkeit von Stablecoin-Runs beeinflussen, wobei präzisere private Signale paradoxerweise die Stabilität bei starken Fundamenten erhöhen und bei schwachen Fundamenten verringern, was die Stabilität intransparenter Stablecoins erklärt.
Basierend auf PISA-Daten von 2022 identifiziert diese Studie mittels interpretierbarer Machine-Learning-Methoden, dass in Lateinamerika Faktoren wie die Muttersprache, Schulwiederholungen, fehlende digitale Ausstattung, familiäre Armut, Erwerbstätigkeit der Schüler sowie ungünstige Schulbedingungen die Hauptdeterminanten für schwache Lernleistungen darstellen.
Diese Arbeit entwickelt ein nichtlineares theoretisches Rahmenwerk, das zeigt, wie institutionelle Starrheiten und Anpassungskosten bei der Umstrukturierung der öffentlichen Ausgaben in Uruguay zu kurzfristigen Kostensteigerungen führen, bevor sich eine effizientere langfristige Verteilung einstellt.
Die Studie zeigt, dass die Unterstützung für Umverteilung in Japan nach der Pandemie von einer normbasierten, bedingungslosen Haltung zu einer bedingten Altruismusform übergegangen ist, die insbesondere bei höheren Einkommen stark vom Vertrauen in die Regierung abhängt und somit den sozialen Vertrag in postkrisigen Gesellschaften neu definiert.
Die Studie analysiert anhand japanischer Paneldaten von 2016 bis 2024, dass die Präferenz für Umverteilung nach der COVID-19-Pandemie insbesondere bei Hochverdienern sank, wobei ein höheres Vertrauen in die Regierung diesen Rückgang abschwächte, während allgemeines Vertrauen und Reziprozität keinen Einfluss hatten.
Die Studie zeigt, dass die Beziehung zwischen Schlafdauer und der Präferenz für höhere Steuern eine umgekehrte U-Form aufweist, wobei hohe Schlafqualität und ein hohes Einkommen die Bereitschaft zu höheren Umverteilungssteuern zusätzlich verstärken.
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.
Diese Arbeit entwickelt arbitragefreie Prämien für Katastrophen-Rückversicherungsverträge mit einem zusammengesetzten dynamischen Kontagionsprozess, um die wachsenden Risiken durch Klimawandel, Cyberangriffe und Pandemien zu bewerten, und vergleicht diese numerisch mit anderen Modellen sowie durch Sensitivitätsanalysen.