79 पेपर
यह शोध पत्र सामान्य माध्य-विचरण मिश्रण मॉडल (normal mean-variance mixture models) का उपयोग करते हुए घातांकीय उपयोगिता (exponential utility) के तहत इष्टतम पोर्टफोलियो के लिए बंद-रूप समाधान (closed-form solutions) प्रदान करता है और यह प्रदर्शित करता है कि, बड़े वित्तीय बाजारों में, निवेशकों को इष्टतम उपयोगिता स्तर तक पहुँचने के लिए अनंत संपत्तियों में विविधीकरण करना चाहिए।
यह शोध पत्र समानता खोज (similarity searches), जोखिम मॉडलिंग और स्प्रेड कर्व निर्माण को बेहतर बनाने के लिए संख्यात्मक-प्रधान मॉडलों की सीमाओं को दूर करने हेतु श्रेणीबद्ध बॉन्ड गुणों (categorical bond attributes) की अर्थपूर्ण समानताओं को पकड़ने के लिए एम्बेडिंग मॉडल का उपयोग करने का प्रस्ताव करता है।
यह शोध पत्र प्रदर्शित करता है कि लाइफ ऑफ राइट्स म्यूजिक रॉयल्टी संपत्तियां, जब डिस्काउंटेड कैशफ्लो मॉडलों के माध्यम से विश्लेषण की जाती हैं और पांच वर्षों तक बैकटेस्ट की जाती हैं, तो वे एसएंडपी 500 के तुलनीय जोखिम और रिटर्न की विशेषताएं प्रदर्शित करती हैं, जबकि पारंपरिक स्टॉक और बॉन्ड पोर्टफोलियो के साथ अपने निम्न सहसंबंध के कारण संभावित विविधीकरण लाभ भी प्रदान करती हैं।
यह शोध पत्र एक क्वांटम स्टोकेस्टिक वॉक (QSW) ऑप्टिमाइज़र का प्रस्ताव और अनुभवजन्य रूप से सत्यापन करता है जो शास्त्रीय मीन-वेरिएंस ऑप्टिमाइज़ेशन की तुलना में काफी अधिक जोखिम-समायोजित रिटर्न और नाटकीय रूप से कम पोर्टफोलियो टर्नओवर प्राप्त करने के लिए वित्तीय बाजारों की अंतर्निहित ग्राफ-सैद्धांतिक संरचना का लाभ उठाता है।
यह शोध पत्र एक डिस्ट्रीब्यूशनल रूप से रोबस्ट बायेशियन कंट्रोल (DRBC) ढांचे का प्रस्ताव करता है जो एक एडवर्सरी (प्रतिपक्षी) को एक डाइवर्जेंस पड़ोस के भीतर प्रायर (पूर्व ज्ञान) को विचलित करने के लिए पेश करके प्रायर मिसस्पेसिफिकेशन को कम करता है, जो पैरामीटर अनिश्चितता के तहत डिफ्यूजन कंट्रोल समस्याओं के लिए कुशल, सिमुलेशन-आधारित पॉलिसी इवैल्यूएशन और लर्निंग को सक्षम करने के लिए एक स्ट्रॉन्ग डुअलिटी परिणाम का लाभ उठाता है।
यह अध्ययन अनुभवजन्य रूप से प्रदर्शित करता है कि ग्लोबल मिनिमम-वैरिएंस मॉडल को लेडिट-वुल्फ टू-पैरामीटर कोवेरिएंस श्रिंकेज एस्टीमेटर के साथ, या उसी कोवेरिएंस एस्टीमेटर और सैंपल मीन के साथ मीन-वैरिएंस मॉडल को संयोजित करना, विविध बाजार आयामों और निवेशक जोखिम-रिटर्न प्राथमिकताओं में पारंपरिक पोर्टफोलियो अनुकूलन तकनीकों से लगातार बेहतर प्रदर्शन करता है।
यह शोध पत्र एक नवीन LLM-निर्देशित नो-रिग्रेट पोर्टफोलियो आवंटन ढांचे का प्रस्ताव करता है जो ऑनलाइन लर्निंग, मार्केट सेंटीमेंट और लार्ज लैंग्वेज मॉडल-संचालित हेजिंग को एकीकृत करता है ताकि जोखिम-विमुख निवेशकों के लिए वार्षिक रिटर्न और शार्प रेशियो दोनों में SPY बाय-एंड-होल्ड बेसलाइन से काफी बेहतर प्रदर्शन किया जा सके।
यह शोध पत्र सिग्नेचर-इन्फॉर्म्ड ट्रांसफॉर्मर का प्रस्ताव करता है, जो एक एकीकृत डीप लर्निंग मॉडल है जो पाथ सिग्नेचर और विशिष्ट अटेंशन मैकेनिज्म को सीधे कंडीशनल वैल्यू एट रिस्क (CVaR) को अनुकूलित करने के लिए एकीकृत करता है, जिससे यह परिसंपत्ति आवंटन में पारंपरिक पृथक पूर्वानुमान और अनुकूलन दृष्टिकोणों से बेहतर प्रदर्शन करता है।
यह शोध पत्र QSERA का प्रस्ताव करता है, जो एक क्वांटम अनस्ट्रक्चर्ड सर्च एल्गोरिदम है जो डिस्क्रीट फंक्शन्स के एक्सट्रीमा या रूट्स को खोजने के लिए ग्रोवर के एल्गोरिदम का लाभ उठाकर क्वाड्रेटिक स्पीड-अप प्रदान करता है, और मानक QUBO फ्रेमवर्क से परे उच्च-क्रम ऑब्जेक्टिव फंक्शन्स को संभालने द्वारा पोर्टफोलियो ऑप्टिमाइज़ेशन में अपने अनुप्रयोग को प्रदर्शित करता है।