25 articoli
Il documento analizza la condivisione del rischio tra agenti con preferenze eterogenee modellate da misure di rischio distorte, derivando soluzioni esplicite per la convoluzione inferiore libera e quella contro-monotona in contesti caratterizzati da diversi livelli di propensione al rischio.
Questo studio sviluppa un modello stocastico continuo basato sul processo di Hawkes per determinare l'investimento ottimale in cybersecurity, dimostrando che tenere conto della natura raggruppata degli attacchi porta a strategie di investimento più efficaci rispetto ai modelli tradizionali.
Il documento dimostra che, in presenza di perdite con media infinita, la diversificazione può paradossalmente aumentare il rischio di coda rispetto a una strategia concentrata su un singolo elemento, fornendo condizioni sufficienti per cui il portafoglio diversificato domina stocasticamente il benchmark "un solo paniere".
Il documento introduce Slippage-at-Risk (SaR), un quadro quantitativo prospettico per misurare il rischio di liquidità nei mercati futures perpetui basato sulla microstruttura del libro degli ordini, che integra metriche di coda e aggiustamenti per la concentrazione dei market maker per ottimizzare i requisiti di capitale e anticipare lo stress sistemico.
Questo lavoro presenta un quadro unificato che ricostruisce la struttura multistrato dell'economia e la propagazione del rischio di credito utilizzando solo i dati di bilancio, permettendo di effettuare stress test di rete su un "gemello digitale" dell'economia italiana senza richiedere informazioni di rete dettagliate e spesso inaccessibili.
Questo studio introduce un metodo di apprendimento ensemble basato sulla regressione Gaussian Process per prevedere i rendimenti azionari, dimostrando che tale approccio supera i modelli di machine learning esistenti sia statisticamente che economicamente, permettendo inoltre la costruzione di portafogli ottimali che gestiscono l'incertezza delle previsioni.
Questo articolo sviluppa un quadro di analisi non standard per le misure di rischio coerenti e i loro stimatori, fornendo rappresentazioni iperfinite, formule discrete di Kusuoka e risultati di consistenza e normalità asintotica che collegano in modo trasparente la teoria della probabilità alla statistica.
Il documento presenta Calibrated Credit Intelligence (CCI), un framework di valutazione del rischio creditizio che combina reti neurali bayesiane, gradient boosting vincolato alla parità e una strategia di fusione adattiva per garantire previsioni accurate, ben calibrate ed eque anche in presenza di cambiamenti distributivi nel tempo.
Il paper propone Generative Adversarial Regression (GAR), un framework che utilizza una formulazione minimax per addestrare generatori capaci di apprendere scenari di rischio condizionati allineati con obiettivi elicibili (come VaR e ES), garantendo una migliore preservazione del rischio a valle rispetto ai metodi tradizionali.
Questo articolo propone un modello ibrido a stati nascosti che combina discretizzazione quantile, commutazione di regime e meccanismi di salto per generare serie temporali finanziarie sintetiche che superano i limiti degli approcci esistenti, preservando simultaneamente code pesanti, assenza di autocorrelazione lineare e persistente clustering di volatilità.
Il paper caratterizza e ottimizza la Misura di Rischio Generalizzata Ponderata (WGRM) e il Quadrangolo del Rischio Ponderato (WRQ) per sintetizzare valutazioni eterogenee dei rischi, dimostrando attraverso analisi empiriche su indici NASDAQ e S&P 500 che tale approccio migliora le prestazioni degli investimenti e la resilienza ai ribassi rispetto alle previsioni basate su un singolo scenario.
Il paper propone un modello di controllo stocastico a due livelli per il market making nei mercati RFQ gestiti da aggregatori, dimostrando come le dinamiche di promozione basate sui punteggi di vittoria possano generare biforcazioni e comportamenti endogeni di "campagna vs. raccolto", con un'analisi che separa le fluttuazioni rapide dell'inventario da quelle lente del punteggio.
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.
Il paper deriva limiti superiori e inferiori per i funzionali della durata della vita compatibili con le tabelle di mortalità osservate, fornendo un quadro robusto per quantificare l'impatto delle deviazioni dei tassi di mortalità sui valori contrattuali assicurativi senza dipendere da ipotesi specifiche sugli intervalli frazionari.
Questo studio propone una valutazione priva di arbitraggio per le riassicurazioni contro i disastri naturali basate su un processo di contagio dinamico composto, utilizzando la trasformata di Esscher per determinare i premi in un contesto di rischi emergenti come i cambiamenti climatici e le pandemie.
Questo studio dimostra che per variabili aleatorie non negative la sub-additività del Value-at-Risk è impossibile tranne nel caso degenere di co-monotonicità, mentre ne caratterizza la piena super-additività attraverso le nuove condizioni strutturali di dipendenza negativa dal semplice e di dominanza del semplice.
Questo articolo analizza le regole ottimali di condivisione dei rischi in reti decentralizzate, caratterizzando le soluzioni lineari tra agenti connessi e collegando il caso di condivisione equa tra amici alla matrice Laplaciana del grafo.
Questo articolo mira a consolidare e approfondire il dibattito sulla riserva dei sinistri a livello individuale, proponendo un nuovo approccio basato sul metodo chain-ladder classico per superare le limitazioni delle metodologie esistenti e stabilire un nuovo standard pratico.
Questo studio compara diversi modelli di sopravvivenza e di regressione logistica per stimare la struttura temporale del rischio di scrittura dei prestiti ai sensi dell'IFRS 9, concludendo che, sebbene il modello a rischio discreto (DtH) superi gli altri approcci a due stadi, un modello LGD a stadio singolo rimane superiore grazie alla specifica distribuzione "a L" dei dati.
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.