19 artigos
Este artigo apresenta e prova a convergência de um algoritmo iterativo análogo ao Sinkhorn para resolver o problema de transporte ótimo de Benamou–Brenier no contexto de martingales em dimensões arbitrárias, estendendo a teoria existente para marginais com momentos finitos de ordem .
Este artigo propõe a "atenção estocástica", um método sem treinamento que utiliza a dinâmica de Langevin na energia de Hopfield moderna para gerar amostras controladas por temperatura, oferecendo uma alternativa mais diversificada e inovadora aos modelos aprendidos para tarefas de recuperação e geração.
O artigo apresenta os Modelos Causais de Séries Temporais Aumentados (ATSCM), uma abordagem que integra descoberta causal neural e raciocínio contrafactual para detectar regimes em mercados de energia e analisar como variáveis como a geração renovável influenciam os preços em tempo real.
O artigo propõe o TNCM-VAE, um modelo que combina autoencoders variacionais com modelos causais estruturais para gerar séries temporais financeiras sintéticas com relações causais preservadas, permitindo análises contrafactuais e testes de estresse mais precisos.
Este artigo introduz um framework de "deep hedging" com quantificação de incerteza que utiliza um ensemble de redes neurais para medir a confiança do modelo e otimizar estratégias de cobertura, superando significativamente os métodos clássicos como Black-Scholes e Whalley-Wilmott ao adaptar a alocação com base no nível de incerteza.
Este artigo propõe uma estrutura de aprendizado de máquina baseada em grafos bipartidos para prever retornos entre os mercados de ações dos EUA e da China, revelando uma forte assimetria direcional onde os retornos do mercado americano possuem poder preditivo significativo sobre os retornos intradiários chineses, enquanto o efeito inverso é limitado.
O artigo propõe um novo quadro de avaliação de segurança para modelos de linguagem em serviços financeiros, introduzindo a Pontuação de Dano Ajustada ao Risco (RAHS) e um pipeline de red-teaming automatizado para identificar e quantificar falhas específicas do setor que os métodos tradicionais ignoram.
Este artigo propõe um framework independente de modelo para gerar cenários de risco do SPX e VIX, utilizando uma metodologia de perturbação baseada em transporte ótimo para calcular sensibilidades e estimativas de risco rápidas e estáveis sem necessidade de recalibração completa, demonstrando maior precisão e desempenho de hedge em comparação com modelos tradicionais.
Este artigo resolve o problema de otimização de portfólio de Merton em um ambiente Volterra multivariado não-Markoviano, utilizando uma solução estocástica baseada em uma equação diferencial estocástica reversa (BSDE) de Riccati para derivar estratégias ótimas em forma semi-fechada e analisar o impacto da volatilidade "rough" estacionária.
Este artigo propõe novos algoritmos numéricos de nível único e multinível que combinam técnicas de inversão de Fourier com amostragem RQMC para estimar riscos de déficit multivariados e alocações ótimas, superando métodos tradicionais em precisão e eficiência computacional ao explorar a suavidade das funções no domínio da frequência.
Este estudo utiliza simulações de mercado artificial para demonstrar que, durante quedas bruscas de preços, a arbitragem entre ETFs alavancados e futuros fornece liquidez entre os dois mercados, mitigando o impacto de ordens errôneas ao transferir profundidade de venda e estreitamento de spread de um mercado para o outro, dependendo de onde ocorre o choque inicial.
Este artigo apresenta um framework baseado em redes neurais para otimização de risco-retorno em problemas de controle estocástico multiperíodo, provando a convergência em probabilidade do ótimo empírico para o valor ótimo verdadeiro sob condições de regularidade e validando a abordagem através de experimentos numéricos que demonstram robustez e precisão.
O artigo apresenta o Onflow, um algoritmo de alocação de portfólio baseado em aprendizado por reforço e fluxos de gradiente que otimiza retornos logarítmicos considerando custos de transação, demonstrando ser robusto a riscos de modelo e superior a métodos existentes em cenários de altas taxas.
O artigo propõe a Rede Neural Informada por Finanças (FINN), um modelo que aprende a precificação e cobertura de opções através de um objetivo de replicação auto-supervisionado baseado em princípios econômicos, garantindo consistência teórica, superando limitações de modelos paramétricos tradicionais e permitindo a construção de preços coerentes mesmo para ativos sem mercado de opções listado.
O artigo apresenta o WaveLSFormer, um modelo Transformer baseado em wavelets aprendíveis que realiza decomposição multiescala e otimização direta de retornos ajustados ao risco para gerar carteiras long-short intradiárias, demonstrando desempenho superior a diversas arquiteturas de base em dados financeiros reais.
Este artigo investiga um problema de parada ótima com recompensa descontínua, motivado pela precificação de contratos de anuidade variável com garantia mínima, estabelecendo condições para a parada no vencimento e caracterizando a região de resgate através das funções de taxa e penalidade, além de desenvolver novas representações analíticas para a função de valor.
Este artigo demonstra que a inclusão de estratégias de opções de índice em portfólios de indexação aprimorada, utilizando dominância estocástica de segunda ordem e dados do S&P 500 de 2017 a 2025, resulta em um desempenho fora da amostra superior, independentemente do uso de ações ou ETFs.
Este artigo apresenta dois novos quadros de aprendizado por reforço, RLOP e QLBS, que priorizam a probabilidade de déficit e a sensibilidade ao risco de baixa para melhorar a cobertura de opções e a estabilidade financeira, demonstrando empiricamente que essas abordagens reduzem a frequência de déficits e melhoram a gestão de riscos de cauda em comparação com modelos paramétricos tradicionais.
Este artigo apresenta um método de aprendizado diferencial para opções 0DTE sob um modelo de difusão com saltos e volatilidade estocástica, que calcula preços e gregos em uma única avaliação de rede neural, superando abordagens de base ao melhorar a precisão das gregas e a estabilidade de hedge enquanto mantém erros de preço baixos e velocidade superior a benchmarks baseados em Fourier.