25 papers
Dit artikel onderzoekt risicodeling tussen agenten met heterogene vervormingsrisicomaatstaven die niet noodzakelijk risico-avers zijn, en leidt onder milde aannames expliciete oplossingen af voor de onbeperkte en contra-monotoone inf-convolutie, die kunnen worden weergegeven als een generalisatie van vervormingsrisicomaatstaven.
Dit artikel presenteert een continu-tijd stochastisch model dat de klassieke Gordon-Loeb benadering uitbreidt met een Hawkes-proces om gegroepeerde cyberaanvallen te modelleren, waardoor dynamisch optimale investeringsstrategieën worden afgeleid die effectiever zijn dan statische of Poisson-gebaseerde methoden.
Dit paper toont aan dat diversificatie bij verliesverdelingen met oneindig gemiddelde, zoals discrete Pareto-verdelingen, kan falen en zelfs leidt tot een hogere kans op extreme verliezen dan het concentreren van alle risico's in één willekeurig gekozen component, een fenomeen dat wordt beschreven door de 'one-basket theorem'.
Dit artikel introduceert Slippage-at-Risk (SaR), een vooruitkijkend kwantitatief raamwerk dat op basis van de huidige orderboekmicrostructuur liquiditeitsrisico's voor perpetual futures-exchanges meet en optimaliseert via een concentratie-aanpassing en koppeling aan kapitaalvereisten.
Dit artikel introduceert een geïntegreerd raamwerk dat de volledige multilayerstructuur van de economie reconstrueert uit balansgegevens om, zonder toegang tot gedetailleerde netwerkdata, de verspreiding van schokken en systemische risico's te modelleren en stress-tests uit te voeren.
Dit artikel introduceert een ensemble-leermethode op basis van Gaussian Process Regression die de computationele complexiteit verlaagt en statistisch en economisch superieure resultaten boekt ten opzichte van bestaande machine learning-modellen bij het voorspellen van aandelenrendementen en het construeren van optimale portefeuilles.
Dit artikel introduceert een raamwerk gebaseerd op niet-standaard analyse voor coherente risicoschattingen, dat hyperfiniete representaties en discrete Kusuoka-formules gebruikt om zowel robuuste representaties als asymptotische eigenschappen zoals consistentie en normaliteit voor plug-in schatters af te leiden.
Dit paper introduceert Calibrated Credit Intelligence (CCI), een deploymentgericht framework dat Bayesiaanse onzekerheid, fairness-beperkte gradient boosting en shift-bewuste fusie combineert om credit risk scores te leveren die onder tijdsafhankelijke verschuivingen nauwkeurig, goed gekalibreerd en eerlijk blijven.
Dit artikel introduceert Generative Adversarial Regression (GAR), een raamwerk dat conditionele risicoscenario's leert door generatoren te trainen die via een minimax-formulering de risicoprofielen van werkelijke data onder diverse beleidsstrategieën nabootsen, wat resulteert in robuustere en meer accurate risico-inschattingen dan bestaande methoden.
Dit paper introduceert een hybride Hidden Markov Model dat discrete markttoestanden combineert met een jump-diffusie-mechanisme om synthetische beursdata te genereren die zowel zware staarten als volatiliteitsclusteren nauwkeurig nabootsen, waardoor het superieur is aan traditionele GARCH- en HMM-modellen voor stress-testen en risicomodellering.
Dit artikel introduceert de Gewogen Generaliseerde Risicomaatstaf (WGRM) en het Gewogen Risicokwadrant (WRQ) om heterogene risicobeoordelingen te synthetiseren, waarbij het de wiskundige eigenschappen karakteriseert, optimalisatieproblemen omzet in lineaire programmering, en empirisch aantoont dat deze aanpak leidt tot superieure risicogecorrigeerde prestaties en betere downside-resilience dan traditionele methoden.
Dit artikel introduceert een tweelaags stochastisch controlemodel voor marktmaking in RFQ-markten met aggregators, waarbij de routeerbaarheid afhankelijk is van prestatiescores, en analyseert hoe dit leidt tot complexe dynamieken zoals bistabiliteit en een endogeen patroon van 'campagne versus oogst' in de optimale biedstrategieën.
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.
Dit artikel ontwikkelt een robuust kader voor het bepalen van boven- en ondergrenzen voor levensverzekeringscontracten, waarbij rekening wordt gehouden met de onzekerheid in de verdeling van sterfgevallen tussen gehele leeftijden binnen de beperkingen van bestaande levensverwachtingstabellen.
Dit artikel presenteert een arbitragevrije waardering voor herverzekering tegen catastrofe-stoploss met een compound dynamic contagion-proces, waarbij de Esscher-transformatie wordt gebruikt om premies te berekenen die rekening houden met opkomende risico's zoals klimaatverandering en cyberaanvallen.
Dit artikel toont aan dat voor risico's op het interval [0,∞) Value-at-Risk (VaR) sub-additief is alleen in het triviale geval van co-monotonie, en introduceert vervolgens de voorwaarden 'negatieve simplex-afhankelijkheid' en 'simplex-dominantie' om de situaties te karakteriseren waarin VaR volledig super-additief is.
Dit artikel onderzoekt de optimale regels voor risicodeling in gedecentraliseerde netwerken, waarbij alleen vrienden risico kunnen delen, en verbindt een speciaal geval met gelijke risicoverdeling onder vrienden met de grafische Laplaciaan.
Dit artikel bouwt voort op een eerdere discussie over individuele claimsreservering om een robuustere en flexibeler methode te ontwikkelen die de weg vrijmaakt voor een nieuwe standaard in de micro-level reservering.
Dit artikel presenteert een vergelijkende studie waarin discrete-time hazard-modellen en conditional inference survival trees worden gebruikt om de term-structuur van schrijfafschrijvingsrisico's onder IFRS 9 af te leiden, en concludeert dat hoewel de discrete-time hazard-benadering de beste tweestaps-LGD-modellen presteert, een enkelstaps-LGD-model vanwege de specifieke 'L-vormige' verdeling van de data uiteindelijk de beste resultaten boekt.
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.