92 artigos
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.
O artigo demonstra, por meio de simulações computacionais, a viabilidade de medir empiricamente a entropia em economias de troca simuladas sem depender de microfundamentos, validando a Teoria Macroeconômica Térmica ao confirmar que a entropia atua como uma função de estado côncava e independente do caminho, permitindo a derivação de preços e outras variáveis macroeconômicas.
O artigo propõe um modelo híbrido de Markov Oculto que combina estados de mercado definidos por quantis de Laplace com um mecanismo de saltos de Poisson para gerar séries temporais financeiras sintéticas que superam modelos existentes ao preservar simultaneamente a fidelidade distributiva, a estrutura temporal e a cobertura de caudas dos dados reais.
Este artigo estabelece caracterizações analíticas e um quadro de otimização computacionalmente viável para a Medida de Risco Generalizada Ponderada (WGRM) e o Quadrângulo de Risco Ponderado (WRQ), demonstrando empiricamente que essa abordagem melhora o desempenho ajustado ao risco e a resiliência em portfólios ao sintetizar avaliações heterogêneas de mercado e mitigar erros decorrentes de previsões únicas.
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.
Este artigo propõe um modelo de controle estocástico em dois níveis para mercados de RFQ agregados, demonstrando como a dinâmica de pontuação de desempenho dos dealers pode gerar comportamentos complexos como bifurcações e histerese, levando a estratégias endógenas de "campanha versus colheita" na formação de preços.
Utilizando dados proprietários de transações de repo lastreadas em títulos do governo britânico, este estudo demonstra que o poder de mercado dos dealers e a transmissão de choques heterogêneos entre eles geram fricções que explicam desvios significativos nos rendimentos dos títulos.
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.
Utilizando um jogo global, o artigo demonstra que a precisão das informações públicas e privadas afeta de maneiras distintas a probabilidade de corridas bancárias em stablecoins, revelando como a opacidade pode paradoxalmente contribuir para a estabilidade e permitindo a decomposição dos riscos de depegamento entre vendas maciças e a qualidade dos ativos de reserva.
Utilizando dados do PISA 2022 e métodos de aprendizado de máquina interpretáveis, este estudo identifica que fatores como repetência escolar, pobreza, falta de dispositivos digitais, trabalho remunerado e deficiências no ambiente escolar são os principais determinantes do baixo desempenho dos estudantes na América Latina no período pós-pandemia.
Este artigo desenvolve um modelo teórico não linear que analisa a dinâmica de reformas fiscais no Uruguai, demonstrando que os custos de ajuste e atritos institucionais geram uma trajetória de gastos públicos em forma de "J", onde o dispêndio total aumenta inicialmente antes de convergir para uma alocação mais eficiente no longo prazo.
Este estudo, baseado em dados japoneses, revela que a pandemia de COVID-19 transformou o apoio à redistribuição de renda de uma norma social incondicional para um altruísmo condicional dependente da confiança nas instituições, especialmente entre os indivíduos de alta renda, criando uma lacuna que indica que o contrato social pós-crise agora se sustenta mais na confiança governamental do que em normas estáveis.
Utilizando dados de painel individual do Japão (2016-2024), este estudo revela que a pandemia de COVID-19 reduziu a preferência por redistribuição de renda entre os grupos de alta renda, um efeito que foi mitigado pela maior confiança no governo, mas não influenciado pela confiança generalizada ou reciprocidade.
Este estudo revela que a duração do sono exibe uma relação em forma de U invertido com as preferências por impostos redistributivos, onde o sono de alta qualidade e a quantidade ideal aumentam a taxa tributária aceitável, especialmente entre indivíduos de alta renda e aqueles que já favorecem uma maior redistribuição.
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.
Este artigo propõe uma avaliação livre de arbitragem para resseguro de catástrofes com cláusula de stop-loss, utilizando um processo de contágio dinâmico composto e a transformada de Esscher para quantificar prêmios que consideram riscos emergentes como mudanças climáticas e pandemias, validados através de simulações de Monte Carlo e análises de sensibilidade.