19 articles
Cet article propose un algorithme itératif de type Sinkhorn pour résoudre numériquement le problème de transport optimal de Benamou-Brenier martingale en dimension arbitraire, prouvant sa convergence vers un potentiel de Bass sous des hypothèses minimales de moments d'ordre et surmontant les difficultés techniques liées au manque de support compact.
Cet article propose une méthode d'attention stochastique sans apprentissage, basée sur la dynamique de Langevin appliquée à l'énergie des réseaux de Hopfield modernes, qui permet de générer des sorties variées et novatrices tout en conservant la capacité de récupération exacte.
Cet article présente les Modèles Causaux Temporels Augmentés (ATSCM), une approche intégrant la découverte causale neuronale pour modéliser les régimes dynamiques des marchés de l'énergie et permettre des raisonnements contrefactuels sur les prix de l'électricité.
Cet article propose le modèle TNCM-VAE, une architecture combinant autoencodeurs variationnels et modèles causaux structurels pour générer des séries temporelles financières contrefactuelles respectant les dépendances causales, permettant ainsi des analyses de risque et des tests de stress plus fiables.
Ce papier propose une approche de couverture profonde intégrant l'incertitude via un ensemble de réseaux LSTM, démontrant que la combinaison de cette stratégie avec le delta de Black-Scholes, pondérée par le niveau d'incertitude du modèle, améliore significativement la performance de couverture par rapport aux méthodes classiques.
Cet article propose une approche d'apprentissage automatique basée sur un graphe biparti pour prédire les rendements boursiers entre les États-Unis et la Chine, révélant une asymétrie informationnelle marquée où les rendements américains influencent significativement les rendements intrajournaliers chinois, mais non l'inverse.
Ce papier propose un cadre d'évaluation de sécurité spécifique au secteur financier, incluant une métrique de score de risque ajusté (RAHS) et un pipeline de red-teaming automatisé, pour démontrer que les interactions adaptatives prolongées exacerbent les risques de divulgations financières opérationnelles graves chez les grands modèles de langage.
Ce papier propose un cadre indépendant de modèle pour générer des scénarios de risque SPX-VIX en utilisant une méthode de perturbation sur le transport optimal entropique couplée à la dynamique du ratio de stickiness de la skew, permettant ainsi d'obtenir des estimations de risque rapides et précises sans recalibration complète.
Cet article résout le problème d'optimisation de portefeuille de Merton dans un environnement Volterra multivarié non markovien en utilisant une solution stochastique d'une équation différentielle stochastique rétrograde de type Riccati, permettant de déduire des stratégies optimales sous forme semi-fermée dépendant d'équations de Riccati-Volterra dépendantes du temps.
Cet article propose de nouvelles méthodes numériques à un et plusieurs niveaux, combinant l'inversion de Fourier et l'échantillonnage quasi-Monte Carlo randomisé (RQMC), pour estimer efficacement les risques de pénurie multivariés et leurs allocations optimales en exploitant la régularité accrue des intégrandes dans le domaine fréquentiel afin de surpasser les approches Monte Carlo classiques.
Cette étude utilise des simulations de marché artificiel pour démontrer que, lors de chutes de prix, l'arbitrage entre les ETF à effet de levier et les contrats à terme permet de transférer la liquidité d'un marché à l'autre, atténuant ainsi l'impact des ordres erronés sur la profondeur de vente et l'étalement des prix.
Cet article propose un cadre d'apprentissage profond pour l'optimisation risque-récompense en contrôle stochastique multi-période, prouvant la convergence en probabilité des politiques neuronales paramétrées vers la solution optimale tout en validant leur efficacité par des expériences numériques.
L'article présente Onflow, un algorithme d'allocation de portefeuille sans modèle et en ligne basé sur l'apprentissage par renforcement et les flots de gradient, qui optimise les rendements logarithmiques tout en étant robuste aux coûts de transaction et aux risques de modèle.
Cet article propose FINN, un réseau de neurones auto-supervisé qui intègre la théorie financière via une réplication dynamique pour apprendre l'opérateur de tarification des options, garantissant ainsi la cohérence économique, la précision des prix et des grecques, et une adaptabilité supérieure aux modèles paramétriques traditionnels, même sur des actifs sans marché d'options.
Ce papier présente WaveLSFormer, un modèle Transformer basé sur des ondelettes apprenables qui optimise directement les rendements ajustés au risque en générant des portefeuilles long-short de marché neutre via une décomposition multi-échelle et une injection hiérarchique de fréquences, surpassant ainsi les architectures existantes sur des données financières horaires.
Cet article étudie un problème d'arrêt optimal avec une fonction de récompense discontinue, motivé par la tarification des contrats d'assurance vie à garantie minimale, en caractérisant les conditions d'arrêt à l'échéance et la région de rachat via des représentations analytiques innovantes de la fonction de valeur.
Cette étude démontre que l'intégration de stratégies d'options sur l'indice S&P 500 dans une approche d'indexation améliorée, fondée sur la dominance stochastique du second ordre et validée par des données corrigées de 2017 à 2025, améliore significativement la performance hors échantillon des portefeuilles.
Cette étude présente deux cadres d'apprentissage par renforcement, RLOP et QLBS, conçus pour optimiser la couverture des options en minimisant les risques de déficit et en améliorant la stabilité financière, démontrant ainsi leur supériorité empirique par rapport aux modèles paramétriques traditionnels dans la gestion des risques de queue.
Cet article présente une méthode d'apprentissage automatique différentiel pour les options 0DTE sous un modèle de sauts et de volatilité stochastique, qui calcule simultanément les prix et les grecques avec une précision accrue et une vitesse supérieure aux benchmarks traditionnels grâce à une architecture en trois étapes intégrant des pénalités PIDE.