79 पेपर
यह शोध पत्र संचयी पछतावे (cumulative regret) को लागत वैक्टर (cost vectors) और नीतिगत निर्णयों के बीच प्रति-अवधि सहप्रसरण (per-period covariances) में एक सटीक अपघटन (exact decomposition) स्थापित करता है, जो प्लेटफॉर्म तंत्र और पोर्टफोलियो प्रबंधन जैसे गतिशील वातावरणों में ब्लैक-बॉक्स एल्गोरिद्मिक रणनीतियोंों के मूल्यांकन के लिए एक सुलभ, मॉडल-मुक्त ऑडिट ढांचा प्रदान करता है।
यह शोधपत्र अनिवार्य फंडिंग के तहत एक साथ यादृच्छिक (random) और निश्चित-समय सीमा वाले लक्ष्यों का प्रबंधन करने वाले परिवारों के लिए इष्टतम पोर्टफोलियो विकल्पों का विश्लेषण करता है, जो नवीन 'ग्रोथ क्राउडिंग-आउट' और 'डेडलाइन प्रेशर' प्रभावों को प्रकट करता है जो गैर-एकदिष्ट (non-monotonic) धन-मूल्य संबंधों को उत्पन्न करते हैं और यह प्रदर्शित करता है कि वैकल्पिक फंडिंग लचीलापन मध्यम धन स्तरों पर महत्वपूर्ण मूल्य जोड़ता है।
यह शोध पत्र उस संपत्ति के वास्तविक शार्प अनुपात (Sharpe ratio) का अनुमान लगाने के लिए विभिन्न सांख्यिकीय विधियों का मूल्यांकन करता है जिसे इसके उच्चतम देखे गए इन-सैंपल प्रदर्शन के लिए चुना गया है, जिसमें यह पाया गया है कि जेम्स स्टेन एस्टिमेटर (James Stein estimator) विविध सिमुलेशन परिदृश्यों में डिबायसिंग (debiasing), थ्रेशोल्डिंग (thresholding) और एम्पिरिकल बेयस (empirical Bayes) जैसे विकल्पों की तुलना में आम तौर पर बेहतर प्रदर्शन करता है।
यह शोध पत्र पोर्टबेंच (PortBench) का परिचय देता है, जो पोर्टफोलियो प्रबंधन पर LLMs का मूल्यांकन करने के लिए एक स्थिर QA डेटासेट और एक गतिशील पांच-चरणीय आवंटन पाइपलाइन वाली एक व्यापक बेंचमार्क प्रणाली है, जो यह प्रकट करती है कि स्थिर वित्तीय प्रश्नों पर मजबूत प्रदर्शन के बावजूद, अधिकांश मॉडल बुनियादी समान-भार (equal-weight) रणनीतियों से बेहतर प्रदर्शन करने में विफल रहते हैं और अनदेखी सहसंबंध संरचनाओं (correlation structures) तथा संचयी तर्क त्रुटियों के कारण तनाव की स्थिति में विनाशकारी गिरावट (catastrophic drawdowns) का सामना करते हैं।
यह शोध पत्र एक अंतर्जात पोर्टफोलियो चयन नियम के माध्यम से कार्बन-संवेदनशील निवेश कोष के निर्माण और बाजार, कार्बन एवं मृत्यु दर जोखिमों के संपर्क में आने वाली यूनिट-लिंक्ड जीवन बीमा पॉलिसियों की लागत के विचरण (variance) को न्यूनतम करने के लिए एक द्विघातीय हेजिंग रणनीति विकसित करने की दोहरी चुनौतियों को संबोधित करता है।
यह शोध पत्र एक हाइब्रिड प्राथमिकता निष्कर्षण तंत्र का प्रस्ताव और सत्यापन करता है जो गैर-पृथकरणीय पोर्टफोलियो स्थानों (nonseparable portfolio spaces) में छिपी हुई सूचना की समस्याओं को प्रभावी ढंग से नेविगेट करने के लिए मूल्य-निर्देशित मांग प्रश्नों को मूल्य सत्यापन के साथ जोड़ता है, जो यह प्रदर्शित करता है कि ऐसा संयुक्त दृष्टिकोण सामाजिक कल्याण को पुनः प्राप्त करने में एकल-विधि डिजाइनों की तुलना में काफी बेहतर प्रदर्शन करता है और प्रकटीकरण लागतों के आधार पर सुरक्षा-स्तर और कारक-आधारित पैकेज निरूपणों के बीच के समझौते को रेखांकित करता है।
यह शोध पत्र एक लगभग बंद-रूप अभिव्यक्ति (almost closed-form expression) व्युत्पन्न करके, आर्किमेडियन कोपुलों (Archimedean copulas) के तहत बहुभिन्नीय आयामों () में कोपूला-आधारित कंडीशनल वैल्यू एट रिस्क (CCVaR) का सामान्यीकरण करता है, इसकी सुसंगतता स्थितियों (coherence conditions) का परीक्षण करता है, और वास्तविक डेटा के साथ संख्यात्मक प्रयोगों के माध्यम से दृष्टिकोण को मान्य करता है।
यह शोध पत्र गैर-निष्पादनीय मूल्य सीमाओं के कारण चीनी ए-शेयर क्वांटिटेटिव ट्रेडिंग में होने वाले महत्वपूर्ण "अपस्ट्रीम संदूषण" (upstream contamination) दोष को संबोधित करता है, जिसमें एक मास्क-फर्स्ट डिज़ाइन पेश किया गया है जो गैर-व्यापारिक डेटा को फैक्टर गणनाओं में प्रवेश करने से रोकता है, जो GPU-त्वरित प्रसंस्करण और विशिष्ट लॉस फंक्शन्स के साथ मिलकर, वास्तविक शार्प रेश्यो (Sharpe ratios) में महत्वपूर्ण सुधार करता है और फूले हुए सूचना गुणांकों (information coefficients) को ठीक करता है।
यह शोध पत्र MACF और इसके ऑप्टिमाइज़र-विशिष्ट एडैप्टर MACF-X का प्रस्ताव करता है, जो एक नवीन ढांचा है जो अंतर्निहित वित्तीय नीति के अवलोकन या पुरस्कार को बदले बिना टिकाऊ पोर्टफोलियो प्राथमिकताओं को लागू करने के लिए मल्टीमॉडल साक्ष्य से गतिशील ESG बाधाओं को सीखता है, जिससे प्रतिस्पर्धी वित्तीय प्रदर्शन बनाए रखते हुए टेल ESG बजट दबाव को कम किया जाता है।
यह शोध पत्र पूर्वानुमान हानि अंतरों (forecast loss differentials) को वित्तीय रिटर्न के रूप में मानकर और जोखिम-समायोजित प्रदर्शन मेट्रिक्स लागू करके पूर्वानुमान विश्वसनीयता का मूल्यांकन करने के लिए एक नवीन ढांचे का प्रस्ताव करता है, जो यह प्रकट करता है कि जबकि मशीन लर्निंग मॉडल औसत सटीकता में पेशेवर पूर्वानुमानकर्ताओं से आगे निकल सकते हैं, बाद वाले अक्सर बेहतर जोखिम प्रोफाइल और विनाशकारी विफलताओं के विरुद्ध अधिक लचीलापन बनाए रखते हैं।