Counter-monotonic Risk Sharing with Heterogeneous Distortion Risk Measures
本文研究了具有异质扭曲风险度量(且不一定风险厌恶)的代理人之间的风险分担问题,在温和假设下推导了无约束和反单调 inf-convolution 的显式解,并证明其可表示为扭曲风险度量的推广形式。
25 篇论文
本文研究了具有异质扭曲风险度量(且不一定风险厌恶)的代理人之间的风险分担问题,在温和假设下推导了无约束和反单调 inf-convolution 的显式解,并证明其可表示为扭曲风险度量的推广形式。
该论文通过引入描述攻击聚集特征的 Hawkes 过程,将经典的 Gordon-Loeb 模型扩展为连续时间随机最优控制问题,从而确定了在动态威胁环境下更有效的网络安全投资策略。
该论文通过提出“单篮定理”,揭示了在重尾且均值无限的损失分布下,分散化投资不仅无法降低风险,反而可能在所有阈值上导致比随机集中投资更高的尾部风险,从而颠覆了分散化总是有效的传统认知。
本文提出了一种名为“滑点风险(SaR)”的前瞻性流动性风险框架,通过结合订单簿微观结构、集中度调整及自动去杠杆机制,利用 Hyperliquid 实证数据验证了其作为系统性压力领先指标的有效性,并建立了与最优资本要求的直接映射关系。
该论文提出了一种结合银行与企业资产负债表数据来重构经济多层网络结构并模拟冲击传播的统一框架,利用意大利经济数据识别了系统重要性实体并评估了系统性风险,从而在无需详细网络数据的情况下实现了对经济数字孪生的压力测试。
该论文提出了一种基于高斯过程回归的集成学习方法,用于预测股票条件预期收益,实证表明该方法在统计和经济指标上均优于现有机器学习模型,并能通过利用预测不确定性构建均值 - 方差最优投资组合,显著跑赢标普 500 指数。
本文建立了一个基于非标准分析的相干风险度量框架,通过超有限表示和离散 Kusuoka 公式,将相干风险度量实现为 Loeb 概率空间上内部支撑泛函的标准部分,并推导了相干风险估计量的鲁棒表示、一致收敛性、自举有效性及渐近正态性等核心统计性质。
本文提出了“校准信用智能”(CCI)框架,通过结合贝叶斯神经网络、公平性约束梯度提升及分布偏移感知融合策略,在动态变化的信贷数据中实现了兼具高准确性、可靠校准性与群体公平性的风险评分。
本文提出了生成对抗回归(GAR)框架,通过最小化生成器在对抗性策略下与真实数据在可导出风险泛函(如 VaR 和 ES)上的条件风险差异,从而生成能更好地保留下游风险特征的稳健条件风险场景。
本文提出了一种结合拉普拉斯分位数离散化与泊松跳跃持续机制的混合隐马尔可夫模型,通过直接转移计数估计参数,在 SPY 数据实证中实现了分布保真度、时间结构及尾部覆盖率的综合最优表现,并扩展至多资产相关路径生成。
本文建立了加权广义风险度量(WGRM)的解析特征,将其与加权风险四边形(WRQ)结合以保留风险、偏差、后悔、误差和统计量间的内在关系,并将复杂优化问题转化为可解的线性规划,最终通过实证分析证明该框架能有效整合异质风险评估,提升投资组合的风险调整后表现及下行韧性。
本文提出了一种针对聚合商路由 RFQ 市场的两层随机控制模型,该模型通过分离报价竞争与基于获胜分数的宏观路由机制,揭示了在长记忆和陡峭推广门限下,分数动力学可能产生的分岔与滞后现象,从而解释了最优报价策略中内生的“推广与收割”模式。
本文提出了一种结合傅里叶逆变换与随机拟蒙特卡洛(RQMC)采样的单级及多级数值算法,通过在频域利用被积函数的平滑性来高效估算多元短缺风险及其最优配置,显著提升了计算精度并降低了计算成本。
该论文针对生命表仅提供整数年龄生存概率而缺乏分数年龄死亡分布信息的问题,提出了两种互补的约束方法(即几乎必然一致与期望一致),推导了寿命泛函的上下界,从而为寿险公司在不依赖特定分数年龄假设的情况下量化死亡率偏差对合同价值的影响提供了鲁棒框架。
本文在假设市场无套利的前提下,利用 Esscher 变换为具有动态传染特征的复合巨灾索赔构建了一个停止损失再保险定价框架,通过蒙特卡洛模拟和敏感性分析,量化了气候变化、网络攻击及大流行病等新兴风险下的再保险保费。
本文研究了非负随机变量和的在险价值(VaR)极端聚合行为,证明了除完全正相关下的精确可加性外 VaR 子可加性不可能成立,并引入负单纯形依赖(NSD)和单纯形优势(SD)两个结构性条件,为刻画 VaR 完全超可加性提供了统一且易于验证的框架。
本文研究了网络结构下的去中心化风险分担问题,在仅允许“朋友”(即网络中直接相连的节点)之间进行风险分担的假设下,刻画了最优的线性风险分担规则,并探讨了朋友均担风险的特殊情形与图拉普拉斯矩阵之间的联系。
本文旨在通过深化对基于链梯法新视角的讨论,解决现有个体赔款准备金评估方法过于复杂或缺乏灵活性的问题,从而推动微观测算准备金实践迈向新标准。
该论文通过基准研究比较了离散时间风险模型、条件推断生存树与逻辑回归在 IFRS 9 框架下构建贷款核销风险期限结构的表现,发现离散时间风险模型在双阶段 LGD 建模中表现优异,但受数据"L 型”分布影响,单阶段 LGD 模型最终取得了最佳效果。
本文提出了两种基于强化学习的自主 AI 代理框架(RLOP 和 QLBS),通过优先关注短缺概率和下行风险,在 SPY 和 XOP 期权实证中显著降低了尾部风险并提升了实际对冲表现,从而弥合了静态模型校准与动态对冲结果之间的差距。