92 articoli
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.
Il paper dimostra tramite simulazioni al computer la fattibilità pratica dell'approccio della termodinamica economica, misurando empiricamente la funzione di entropia di economie di scambio complesse senza fare affidamento su microfondazioni analitiche, validando così la sua natura di funzione di stato concava e la possibilità di derivare prezzi e previsioni macroeconomiche.
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.
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.
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.
Utilizzando dati transazionali proprietari sul mercato repo dei titoli di stato britannici, questo studio dimostra come il potere di mercato dei singoli dealer e la trasmissione di shock eterogenei tra di essi generino frizioni che spiegano una significativa deviazione nei rendimenti obbligazionari, con un impatto che varia da 0,5 a 1,3 punti percentuali per il potere di mercato e da 2 a 4 punti percentuali per la trasmissione degli shock.
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.
Utilizzando un modello di gioco globale, questo studio dimostra come l'incertezza informativa e la qualità delle riserve influenzino la probabilità di corsa agli sportelli nelle stablecoin, spiegando paradossalmente la stabilità di quelle opache e suddividendo i rischi tra vendite speculative e garanzie inadeguate.
Utilizzando modelli di machine learning interpretabili su dati PISA 2022, lo studio identifica le principali cause strutturali e socio-economiche della bassa performance scolastica in dieci paesi latinoamericani post-pandemia, evidenziando come fattori quali la povertà, la ripetizione scolastica, la mancanza di dispositivi digitali e le carenze infrastrutturali delle scuole siano determinanti critici e omogenei nella regione.
Questo studio sviluppa un quadro teorico non lineare per analizzare la dinamica delle riforme della spesa pubblica in Uruguay, dimostrando che i costi di aggiustamento e le frizioni istituzionali generano un percorso a forma di J, in cui la spesa totale aumenta inizialmente prima di convergere verso un'allocazione più efficiente nel lungo termine.
Questo studio, basato su dati giapponesi, rivela che nel periodo post-pandemico il sostegno alla ridistribuzione del reddito è passato da un'appoggio incondizionato basato sulle norme sociali a un'altruismo condizionato dalla fiducia nelle istituzioni, creando un divario crescente soprattutto tra i redditi elevati.
Utilizzando un dataset panel individuale giapponese dal 2016 al 2024, lo studio rileva che la pandemia di COVID-19 ha ridotto la preferenza per la ridistribuzione del reddito, specialmente tra i gruppi ad alto reddito, e che tale diminuzione è stata mitigata da una maggiore fiducia nel governo, mentre la fiducia generalizzata e la reciprocità non hanno avuto un impatto significativo.
Questo studio evidenzia che la durata e la qualità del sonno influenzano le preferenze di ridistribuzione fiscale, mostrando una relazione a forma di U rovesciata in cui un sonno ottimale massimizza le aliquote fiscali accettabili, con effetti più marcati nei gruppi ad alto reddito e in presenza di una maggiore destinazione delle tasse ai redditi più bassi.
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.
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.