19 papers
Dit artikel introduceert een iteratief numeriek algoritme, een martingale variant van de Sinkhorn-methode, dat in willekeurige dimensies een Bass-potentieel convergeert voor het Benamou-Brenier-optimal transport-probleem onder minimale momentvoorwaarden, waarbij de bewijsvoering steunt op een strikte afname-eigenschap van de duale waarde.
Deze paper introduceert 'stochastische attention', een trainingsvrije methode die de bestaande attention-mechanismen uitbreidt tot een temperatuur-gestuurde steekproefverdeling via Langevin-dynamica, waardoor zowel exacte retrieval als diverse generatie mogelijk is zonder extra leerprocessen.
Dit artikel introduceert Augmented Time Series Causal Models (ATSCM), een methode die neurale causale ontdekking combineert met contrasterend redeneren om de complexe, dynamische oorzakelijke relaties in energiemarkten te modelleren en scenario's voor hernieuwbare energie te simuleren.
Deze paper introduceert het TNCM-VAE-model, een nieuwe methode die variatie-automatische coderingen combineert met structurele causale modellen om synthetische financiële tijdreeksen te genereren die zowel temporele afhankelijkheden als causale relaties behouden voor verbeterde tegenfeitelijke analyse en risicobeoordeling.
Deze paper introduceert een onzekerheidsbewuste deep hedging-methode die gebruikmaakt van een ensemble van LSTM-netwerken om modelonzekerheid te kwantificeren en deze te combineren met de Black-Scholes delta, wat leidt tot statistisch significante verbeteringen in hedging-prestaties vergeleken met traditionele methoden.
Dit artikel presenteert een machine learning-framework dat een gerichte bipartiete grafiek gebruikt om de voorspellende asymmetrie tussen de Amerikaanse en Chinese aandelenmarkten te onthullen, waarbij Amerikaanse slotkoersen sterke voorspellende waarde blijken te hebben voor Chinese intraday-returns, terwijl het omgekeerde effect beperkt is.
Dit paper introduceert een risicogebaseerd evaluatiekader voor de beveiliging van grote taalmodellen in de financiële sector, dat een gespecialiseerde taxonomie, geautomatiseerde red-teaming en een nieuwe 'Risk-Adjusted Harm Score' combineert om de operationele ernst van schadelijke uitkomsten beter te kwantificeren dan bestaande, domein-agnostische benchmarks.
Dit artikel introduceert een modelonafhankelijk raamwerk dat gestoorde optimale transporttechnieken en de Skew Stickiness Ratio combineert om SPX- en VIX-risicoscenario's snel en nauwkeurig te genereren zonder volledige herkalibratie, wat leidt tot betere hedging-prestaties dan traditionele stochastische lokale volatiliteitsmodellen.
Dit artikel lost het Merton-portefeuille-optimalisatieprobleem op in een niet-Markoviaanse multivariate Volterra-Hestonomgeving door gebruik te maken van een stochastische factoroplossing voor een Riccati-BSDE, wat leidt tot optimale strategieën in semi-gesloten vorm die afhankelijk zijn van tijdafhankelijke multivariate Riccati-Volterra-vergelijkingen.
Deze paper introduceert een nieuw class van single- en multilevel Fourier-RQMC-algoritmen die Fourier-inversie en gerandomiseerde quasi-Monte Carlo-sampling combineren om multivariate tekortrisico's en optimale allocaties efficiënter en nauwkeuriger te schatten dan bestaande Monte Carlo-methoden.
Deze studie toont aan dat arbitrage tussen leveraged ETF's en futures-markten tijdens een crash de liquiditeit (met name SellDepth en Tightness) in het getroffen marktsegment verhoogt door het doorsturen van liquiditeit vanuit de andere markt, afhankelijk van waar de foutieve orders ontstaan.
Deze paper introduceert een neural-network-framework voor multi-period risicorendement-optimatie met beperkte twee-staps feedback-beleid dat, onder zachte regulariteitsvoorwaarden, bewijst dat de empirische optimum convergeert naar de ware optimale waarde naarmate de netwerkcapaciteit en trainingsgrootte toenemen, wat wordt bevestigd door numerieke experimenten die uitval-robuustheid en nauwkeurige controle-heatmaps tonen.
Onflow is een modelvrij, online algoritme voor portefeuilletoewijzing dat via gradiëntstromen en versterkt leren dynamisch de verwachte logaritmische rendementen maximaliseert terwijl het transactiekosten effectief verwerkt, waardoor het zelfs bij hoge kosten superieur presteert ten opzichte van bestaande methoden zonder aannames over rendementverdelingen.
Deze paper introduceert Finance-Informed Neural Networks (FINN), een zelftoezichtend machine learning-model dat optieprijzing en -hedgeert op basis van dynamische replicatie en economische consistentie, waardoor het nauwkeurige resultaten levert in complexe marktomstandigheden en zelfs voor activa zonder bestaande optiemarkten.
Deze paper introduceert WaveLSFormer, een leerbare wavelet-gebaseerde Transformer die multi-schaal ontbinding en risicogestuurde long-short trading direct combineert om de winstgevendheid en het risicogereduceerde rendement op de aandelenmarkt aanzienlijk te verbeteren.
Dit artikel onderzoekt een optimaal stopprobleem met een discontinu beloning voor de prijsbepaling van variabele annuïteiten met gegarandeerde minimumuitkering, waarbij de analytische eigenschappen van de waardefunctie en het overdrachtsgebied worden gekarakteriseerd door de relatie tussen de vergoeding en de overdrachtskosten.
Dit artikel toont aan dat het integreren van indexoptiestrategieën in een enhanced indexation-aanpak, gebaseerd op tweede-orde stochastische dominantie en een gecorrigeerde dataset van de S&P 500 (2017-2025), leidt tot een duidelijk verbeterde prestatie buiten de steekproef, ongeacht of de portefeuille bestaat uit aandelen of een exchange-traded fund.
Dit artikel introduceert twee versterkte leerframeworks, RLOP en QLBS, die autonome AI-agenten voor optiemanagement verbeteren door tekortkomingen te minimaliseren en zo de financiële stabiliteit te vergroten, zoals aangetoond door empirische tests met SPY- en XOP-opties.
Dit artikel presenteert een differentieel machine learning-methode voor 0DTE-opties onder een stochastische volatiliteits-jump-diffusiemodel die prijzen en Grieken in één evaluatie berekent, gebruikmakend van een Black-Scholes-representatie met een variatiecorrectie en een meervoudig trainingsproces om nauwkeurige en snelle resultaten te behalen.