19 articoli
Il paper introduce un algoritmo iterativo di tipo Sinkhorn per il problema di trasporto ottimo di Benamou-Brenier martingala in dimensioni arbitrarie, dimostrando che esso genera un potenziale di Bass anche quando le distribuzioni marginali possiedono solo momenti di ordine , superando così le precedenti limitazioni legate all'assunzione di momenti secondi finiti.
Il paper propone l'attenzione stocastica, un metodo di campionamento senza addestramento basato sulla dinamica di Langevin applicata all'energia di Hopfield moderna, che trasforma i meccanismi di attenzione esistenti in generatori diversificati e controllabili tramite temperatura, superando le prestazioni dei modelli appresi senza richiedere modifiche architetturali.
Il paper introduce gli Augmented Time Series Causal Models (ATSCM), un framework che integra l'analisi causale temporale e il ragionamento controfattuale per modellare le complesse relazioni nei mercati energetici e simulare scenari futuri, come l'impatto di diverse configurazioni di generazione rinnovabile sui prezzi dell'elettricità.
Il paper propone il TNCM-VAE, un modello generativo che combina autoencoder variazionali e modelli causali strutturali per produrre serie temporali finanziarie sintetiche capaci di preservare le dipendenze temporali e le relazioni causali, abilitando così analisi controfattuali e test di stress più accurati.
Questo paper introduce un framework di "deep hedging" basato su un ensemble di reti neurali LSTM per quantificare l'incertezza del modello e ottimizzare le strategie di copertura, dimostrando che un approccio ibrido che combina i risultati dell'ensemble con il delta di Black-Scholes, ponderato in base al livello di incertezza, supera significativamente sia le strategie classiche che quelle ottimali teoriche in termini di rischio CVaR.
Questo studio utilizza un approccio di apprendimento automatico basato su un grafo bipartito per dimostrare che i rendimenti del mercato azionario statunitense contengono informazioni predittive significative per i rendimenti intraday cinesi, rivelando un'asimmetria informativa direzionale che può essere sfruttata per migliorare la previsione dei rendimenti mantenendo l'interpretabilità economica.
Questo articolo propone un framework di valutazione della sicurezza per i modelli linguistici nel settore finanziario, basato su un punteggio di danno aggiustato per il rischio (RAHS) e un processo di red-teaming automatizzato, che dimostra come l'interazione adattiva prolungata e la stocasticità nella decodifica aumentino la probabilità di ottenere divulgazioni finanziarie gravi e operativamente rilevanti.
Il paper propone un framework indipendente dal modello per generare scenari di rischio SPX-VIX, combinando un trasporto ottimale martingala perturbato con la dinamica del rapporto di adesione dell'asimmetria (SSR) per ottenere stime rapide e stabili delle sensibilità e migliorare le prestazioni di copertura rispetto ai modelli di volatilità stocastica locale.
Questo articolo risolve il problema di ottimizzazione del portafoglio di Merton in un ambiente stocastico Volterra multivariato non markoviano, derivando strategie ottimali in forma semi-chiusa tramite un'equazione differenziale stocastica retroattiva di tipo Riccati e illustrando l'impatto della volatilità "rough" stazionaria attraverso risultati numerici.
Questo lavoro propone nuovi algoritmi numerici a singolo e multi-livello che combinano tecniche di inversione di Fourier e campionamento RQMC per stimare in modo efficiente il rischio di shortfall multivariato e le relative allocazioni ottimali, ottenendo una convergenza e un'efficienza computazionale superiori rispetto ai metodi Monte Carlo tradizionali.
Questo studio utilizza simulazioni di mercati artificiali per dimostrare che, durante un crollo dei prezzi, l'arbitraggio tra ETF a leva e futures funge da meccanismo di stabilizzazione che trasferisce liquidità (in termini di profondità di vendita e rigidità dei prezzi) dal mercato stabile a quello colpito, mitigando così l'impatto degli errori di trading.
Il paper presenta un framework basato su reti neurali per problemi di controllo stocastico multi-periodo con obiettivi di rischio-rendimento, dimostrando teoricamente e verificando sperimentalmente che l'ottimo empirico delle politiche parametrizzate converge in probabilità al valore ottimo vero all'aumentare della capacità della rete e della dimensione del campione.
Il paper introduce Onflow, un algoritmo di allocazione di portafoglio basato sul reinforcement learning e sui gradienti flow che, non richiedendo assunzioni sulla distribuzione dei rendimenti, ottimizza i log-rendimenti attesi e dimostra una superiorità rispetto alle tecniche esistenti in scenari con elevati costi di transazione.
Il paper propone FINN, una rete neurale auto-supervisionata che apprende la geometria della valutazione delle opzioni attraverso la replica dinamica e la copertura del rischio, garantendo coerenza economica e superando i limiti dei modelli parametrici tradizionali in ambienti di volatilità stocastica e per asset privi di mercato delle opzioni.
Il paper presenta WaveLSFormer, un modello Transformer basato su ondelette apprendibili che ottimizza direttamente il rendimento aggiustato per il rischio nel trading long-short azionario, superando le architetture tradizionali grazie a una decomposizione multi-scala end-to-end e a un'iniezione guidata delle alte frequenze.
Questo studio analizza un problema di arresto ottimale con ricompensa discontinua, motivato dalla valutazione di contratti di rendita variabile con garanzia minima, fornendo condizioni per l'arresto alla scadenza e nuove rappresentazioni della funzione valore che caratterizzano la regione di riscatto in base alle funzioni di commissione e penale.
Questo studio dimostra che l'integrazione di strategie su opzioni azionarie nell'indicizzazione potenziata, utilizzando la dominanza stocastica di secondo ordine su dati S&P 500 (2017-2025) corretti per il survivorship bias, migliora significativamente le prestazioni fuori campione.
Il documento presenta due nuovi framework di apprendimento per rinforzo, RLOP e QLBS, progettati per ottimizzare la copertura delle opzioni riducendo la probabilità di deficit e il rischio di coda, dimostrando empiricamente come questi agenti autonomi migliorino la stabilità finanziaria rispetto ai modelli parametrici tradizionali.
Il paper presenta un metodo di apprendimento differenziale che, integrando un modello di volatilità stocastica con salti e una procedura di addestramento a tre stadi, calcola in modo efficiente e preciso prezzi e greche per le opzioni 0DTE, superando i limiti delle approssimazioni tradizionali e dei metodi basati sulla trasformata di Fourier.