扩展Buehler等人的2019年深度对冲范式,我们创新地使用深度神经网络来参数化凸风险最小化(CVaR / ES)用于投资组合尾部风险对冲问题。 通过在危机时期的引导市场模拟器上进行全面的数字实验 - 可定制交易成本,风险预算,流动性限制和市场影响 - 我们的端到端框架不仅实现了重要的单日99
点对点(P2P)交易越来越被认为是分散市场监管的关键机制,但现有方法往往缺乏强有力的框架来确保公平。 本文介绍了FairMarket-RL,这是一个新颖的混合框架,将大型语言模型(LLM)与强化学习(RL)相结合,以实现公平意识的交易代理。 在拥有多个卖家和买家的模拟P2P微电网中,LLM充当实时公平评论家,使用两个指标来评估每个交易事件:公平买家(FTB)和公平 - 卖家(FBS)。 这些公平性分数通过计划的λ-系数集成到代理奖励中,形成了一个自适应LLM引导的奖励塑造循环,取代了脆弱的,基于规则的公平约束。 代理使用独立近端策略优化(IPPO)进行培训,并实现公平的结果,实现超过90
本文研究了后漂移对过度参数化机器学习模型中样本外预测精度的影响。 我们记录了在训练和测试样本之间更改数据生成过程的加载时的性能损失。 这在可能出现制度变化的环境中至关重要,例如在金融市场。 应用于股票溢价预测,我们的结果强调了市场时机策略对子周期的敏感性以及控制模型复杂性的带宽参数。 对于普通投资者来说,我们发现专注于持有15年期可以产生非常异质的回报,特别是对于小带宽。 大带宽产生更一致的结果,但从风险调整后的回报的角度来看,吸引力要小得多。 总而言之,我们的研究结果倾向于在采用大型线性模型进行股票市场预测时建议谨慎。
由于货币行动的广泛影响,预测央行的政策决定仍然是投资者、金融机构和政策制定者面临的持续挑战。 特别是,预计美国联邦基金利率的变化对风险管理和交易策略至关重要。 传统方法仅依靠结构化宏观经济指标往往不足以捕捉央行通信中嵌入的前瞻性线索。 本研究通过将结构化数据与美联储通信的非结构化文本信号集成,研究是否可以增强预测准确性。 我们采用多模态框架,比较传统的机器学习模型、基于变压器的语言模型以及单模态和混合设置中的深度学习架构。 我们的结果表明,混合模型始终优于单模基线。 通过将FOMC文本的TF-IDF功能与XGBoost分类器中的经济指标相结合,达到0.83的测试AUC,达到最佳性能。 基于FinBERT的情绪特征略微提高了排名,但在分类方面表现较差,特别是在阶级失衡的情况下。 SHAP分析表明,稀疏、可解释的特征与政策相关的信号更紧密地对齐。 这些发现强调了透明地整合文本和结构化信号的重要性。 对于货币政策预测,更简单的混合模型可以提供准确性和可解释性,为研究人员和决策者提供可操作的见解。
每个公开交易的美国公司都会提交一份10-K年度报告,其中包含对财务健康和风险的重要见解。 我们提出了Tiny eXplainable Risk Assessor(TinyXRA),这是一种轻量级且可解释的基于变压器的模型,可自动评估这些报告的公司风险。 与以前仅依靠超额回报标准差的工作(根据法马法模式调整)不同,TinyXRA将偏斜,kurtosis和Sortino比率纳入更全面的风险评估。 我们利用 TinyBERT 作为我们的编码器,有效地处理冗长的财务文件,再加上一种新的动态、基于注意力的单词云机制,提供直观的风险可视化,同时过滤不相关的术语。 这种轻量级设计可确保跨各种计算环境进行可扩展的部署,具有数千份财务文档的实时处理功能,这对于计算资源有限的生产系统至关重要。 我们采用三胞胎损失进行风险四分位数分类,通过捕获风险差异的方向和大小,在现有文献中改进对损失方法。 我们的 TinyXRA 在 2013-2024 年的数据集上实现了 7 个测试年的最先进预测准确性,同时提供透明和可解释的风险评估。 我们进行全面的消融研究,以评估我们的贡献,并通过系统地删除高度参与的单词和句子,并通过检查解释一致性来定量评估模型解释。 本文以研究结果、实际意义、局限性和未来的研究方向结束。
本文介绍了通用-准确性-简单性(GAS)框架,以分析大型语言模型(LLM)如何重塑组织和竞争战略。 我们认为,将人工智能视为简单的投入成本降低忽略了两个关键动态:(a) 一般性、准确性和简单性之间的内在权衡,以及(b) 利益相关者之间复杂性的重新分配。 虽然LLM似乎通过简单的界面提供高通用性和准确性来挑战传统的权衡,但这种面向用户的简单性掩盖了复杂性向基础设施,合规性和专门人员的重大转变。 因此,GAS的权衡不会消失,而是从用户转移到组织,从而产生了新的管理挑战,特别是在高风险应用程序中的准确性方面。 我们认为,竞争优势不再仅仅源于人工智能的采用,而是通过抽象层、工作流对齐和互补专业知识的设计来掌握这种重新分配的复杂性。 这项研究通过澄清可扩展的认知如何重新分配复杂性并重新定义技术集成的条件来推进人工智能战略。
回收率预测通过增强风险评估、优化投资组合配置、提高定价准确性和支持有效的信用风险管理,在债券投资策略中发挥关键作用。 然而,由于复杂的非线性依赖性,高维特征空间以及经典的机器学习模型容易过拟合的有限样本大小条件,准确的预测仍然具有挑战性。 我们提出了具有 Amplitude Encoding 的混合量子机器学习 (QML) 模型,利用参数化量子电路 (PQC) 的统一性约束和量子比特的指数数据压缩能力。 我们评估全球回收率数据集的模型,包括1996年至2023年的1,725次观察和256个特征。 我们的混合方法明显优于使用角度编码的经典神经网络和QML模型,实现了0.228的较低根均方误差(RMSE),而分别为0.246和0.242。 它还与集成树方法(如XGBoost)进行竞争。 虽然嘈杂中级量子(NISQ)硬件的实际实施挑战仍然存在,但我们的量子模拟和嘈杂模拟器的初步结果表明了混合量子经典架构在增强恢复率预测的准确性和稳健性方面的前景。 这些发现说明了量子机器学习在塑造信用风险预测未来方面的潜力。
近期如COVID-19疫情和地缘政治紧张等危机暴露了供应链的脆弱性并导致其断裂,引发产品短缺、成本上升和经济不稳定。这促使人们日益重视评估系统性风险,即企业中断对整个经济的影响。然而,企业通过重构供应链接来应对危机的能力在很大程度上被忽视,限制了我们对于生产网络韧性的理解。本文研究了2015至2022年匈牙利生产网络中企业层面系统性风险的动态变化与决定因素。我们采用启发式最大熵零模型作为基准,该模型通过在行业层面保持每家企业的总投入(需求)和产出(供给),生成处于均衡状态的生产网络集合。研究表明,具有最高系统性风险的相对稳定企业群体在COVID-19期间发生了结构性变化,那些促成经济交换的企业成为经济中的关键参与者——这一结果未被零模型复现。尽管在疫情爆发前实证系统性风险与零模型值高度吻合,但此后由于企业的适应性行为导致经济更具韧性,该风险显著降低。此外,企业的国际贸易量(作为可能中断的对象)成为其系统性风险的重要预测指标。然而,国际联系不能为观察到的趋势提供明确解释,因为进口和出口通过供需渠道对本地系统性风险产生相反影响。
不平等地获得对实证研究至关重要的昂贵数据集,长期以来一直阻碍来自弱势机构的研究人员,限制了他们为各自领域做出贡献和推进职业生涯的能力。 大型语言模型(LLM)的最新突破有可能通过自动化从非结构化来源收集数据来实现数据访问的民主化。 我们使用GPT-4o-mini在检索增强生成(RAG)框架中开发和评估一种新颖的方法,以收集公司披露的数据。 我们的方法实现了从大约10,000份代理声明和关键审计事项(CAM)中收集CEO薪酬比率的人级准确性,从超过12,000份10K文件中收集,LLM处理时间分别为9分钟和40分钟,每个成本低于10分钟。 这与手动收集所需的数百小时或商业数据库订阅所需的数千美元形成鲜明对比。 为了通过赋予研究人员有限的资源来探索新的探究途径,培养更具包容性的研究社区,我们分享了我们的方法和由此产生的数据集。
我们提出了OpenAlpha,这是一个社区主导的战略验证框架,用于在主机区块链网络上分散资本管理,它集成了游戏理论验证,对抗性审计和基于市场的信念聚合。 这项工作将财务部署作为验证成本和战略误报下的资本优化问题,并通过对意图声明,战略建议,预测市场验证,争议解决和资本配置进行排序的决策瀑布来操作。 该框架验证过程的每个阶段都嵌入了经济激励,以调整提议者,验证者和审计师行为,产生可能纳入资本分配规则的信心评分。 虽然OpenAlpha专为资本策略评估而设计,但其验证机制是可组合的,并自然地扩展到评估外部分散的应用程序(DApp),从而能够对DApp的性能,可靠性和集成风险进行链式审查。 这种架构允许自适应,信任最小化的资本部署,而无需依赖集中治理或静态审计。
预测潜在贷款违约概率(PD)是金融机构的一个关键目标。 近年来,机器学习(ML)算法在各种预测任务中取得了显着的成功;然而,它们仍然相对未充分利用信用风险分析。 本文通过比较五个预测模型的性能 - 随机森林,决策树,XGBoost,梯度提升和AdaBoost - 与主要使用的Logistic回归,以及来自Scheule等人的基准数据集,突出了ML算法为这一领域提供的机会。 (Credit Risk Analytics: The R Companion) 我们的研究结果强调了每种方法的优势和劣势,为贷款组合中PD预测最有效的ML算法提供了有价值的见解。
收入不平等是一个必须解决的重要问题,以便在我们的社会方面取得进展。 收入不平等的研究通过基尼系数受到好评,基尼系数用于衡量一般不平等程度。 虽然这种方法在几个方面是有效的,但仅基尼系数不可避免地忽略了少数群体亚群(例如职业),导致少数群体中未被发现的不平等模式缺失。 在这项研究中,通过使用基尼系数和收入支配网络的网络密度来分析泰国超过1200万户家庭的收入和职业调查,以了解一般和职业收入不平等问题的程度。 结果表明,在农业省份,两种类型的不平等(低基尼系数和网络密度)的问题较少,而一些非农业省份面临职业收入不平等(高网络密度)的问题,没有任何一般收入不平等(基尼系数低)的症状。 此外,研究结果还说明了收入不平等的差距,这些统计数据不仅支持收入不平等是否存在,而且我们能够说明职业之间收入差距的大小。 这些结果不能仅通过基尼系数获得。 这项工作是分析一般人口和亚人群视角的收入不平等的用例,这些观点可用于其他国家的研究。
本文对闪电网络进行了正式分析,认为闪电网络是一个货币系统,在结构上与比特币的基础层结算模型不同。 我们证明,在不断增长的交易需求下,由于吞吐量限制,BTC交易费用超线性上升,而闪电网络路由成本接近边界无症状。 使用数学建模,游戏理论证明和复杂性分析,我们表明Lightning通过流动性中心寡头垄断的出现实现无限期的链外操作。 这些中心表现出不受监管的金融中介机构的特性,包括租金提取、不透明和系统性脆弱性。 战略代理模型表明,通道闭合在经济上变得不可行,路由问题在P-Space复杂性中接近硬度限制。 我们的结论是,Lightning不仅扩展了比特币,而且构成了一个具有影子银行特征的合成金融体系,缺乏储备纪律,透明度或可强制执行的结算担保。
本研究通过整合各种数据类别(包括技术指标、链上指标、情绪和兴趣指标、传统市场指数和宏观经济指标)来调查数据源多样性对加密货币预测模型性能的影响。 我们介绍了Crypto100指数,按市值计算代表前100名加密货币,并提出了一种新的特征还原算法,以识别来自不同数据源的最具影响力和弹性的特征。 我们的综合实验表明,数据源多样性显著提高了不同时间范围内预测模型的预测性能。 主要发现包括链上指标对短期和长期预测至关重要,传统市场指数和宏观经济指标对长期预测的相关性日益增加,以及利用不同数据源时模型准确性的大幅提高。 这些见解有助于揭开加密货币市场的短期和长期驱动因素的神秘面纱,并为开发更准确和更具弹性的预测模型奠定基础。
随着媒体叙事的迅速发展,不仅从给定的语料库中提取叙事,而且调查它们如何随着时间的推移而发展,变得越来越重要。 虽然流行的叙事提取方法,如大语言模型,在捕捉典型的叙事元素甚至叙事的复杂结构方面做得很好,但将它们应用于整个语料库时会遇到障碍,例如高财务或计算成本。 我们提出了大型语言模型的语言理解能力与主题模型的大规模适用性相结合,以使用叙事政策框架对跨时间动态建模叙事变化。 我们应用主题模型和相应的更改点检测方法来查找涉及特定主题的更改。 使用此模型,我们将我们的语料库过滤为特别代表该更改的文档,并将其输入到大型语言模型中,该模型以自动方式解释发生的变化,并区分内容和叙事变化。 我们在2009年至2023年《华尔街日报》新闻论文文章的语料库中使用我们的管道。 我们的研究结果表明,大型语言模型可以有效地提取叙事转变,如果一个在给定的时间点存在,但在必须决定内容转变还是叙事转变时表现不佳。
本文展示了生成式AI(GenAI)对精算科学的变革性影响,四个实施的案例研究说明了这一点。 它从AI的历史概述开始,追溯其从早期神经网络到现代GenAI技术的演进。 第一个案例研究展示了大型语言模型(LLM)如何通过从非结构化文本数据中导出显著功能来提高索赔成本预测,从而显着减少了底层机器学习任务中的预测错误。 在第二个案例研究中,我们使用检索增强一代的GenAI概念探索市场比较的自动化,以识别和处理文档中的相关信息。 第三个案例研究强调了微调视觉支持的LLM在分类汽车损坏类型和提取上下文信息方面的能力。 第四个案例研究提出了一个多智能体系统,可以自主分析来自给定数据集的数据,并生成相应的报告,详细说明关键发现。 除了这些案例研究外,我们还概述了GenAI在保险行业的进一步潜在应用,例如理赔处理和欺诈检测的自动化,以及文件是否符合内部或外部政策的验证。 最后,我们讨论与使用GenAI相关的挑战和考虑因素,涵盖监管问题,道德问题和技术限制等。
准确预测欧元/美元汇率对投资者、企业和政策制定者至关重要。 本文提出了一个新的框架,IUS,将新闻和分析的非结构化文本数据与汇率和财务指标的结构化数据集成在一起,以加强汇率预测。 IUS框架采用大型语言模型进行情绪极性评分和文本汇率变动分类。 这些文本特征与定量特征和输入到因果关系驱动功能生成器相结合。 然后使用Optuna优化的Bi-LSTM模型来预测欧元/美元汇率。 实验证明,所提出的方法优于基准模型,将MAE减少了10.69
本文开发了一个正式的博弈理论模型,以研究协议可变性如何破坏区块链系统中的合作采矿行为。 使用带有随机规则冲击的重复游戏框架,我们表明,即使是制度规则中轻微的不确定性也会增加时间偏好并诱发战略偏差。 固定规则环境支持长期投资和稳定的均衡策略;相比之下,可变协议导致短期主义,更高的折扣和协调参与的崩溃。 模拟结果确定了参数空间中的不稳定区域,其中合理采矿让位于采掘或套利行为。 这些发现支持奥地利的经济解释:可计算性需要规则稳定性。 体制上的噪音破坏了生产行动的信息基础。 我们的结论是,如果要在权力下放的系统中出现可持续的合作,议定书设计必须被视为宪法经济限制,而不是自由裁量变量。
本文将奥地利资本论与重复博弈论相结合,以研究区块链系统中不同制度条件下的战略矿工行为。 它表明,当协议规则是可变的时,有效的时间偏好就会上升,破坏了合理的长期规划和合作平衡。 本文使用正式的博弈论分析和奥地利经济原则,展示了可变协议如何将矿工激励从生产性投资转向政治寻租和影响游戏。 最初的比特币协议被解释为机构锚:一个固定的规则集,可实现可计算性和低时间偏好。 根据Bohm-Bawerk,Mises和Hayek的工作,认为协议不变性对于恢复战略一致性,创业信心和可持续网络均衡至关重要。
我们提出了一个混合量子经典强化学习框架,用于台湾股市的部门轮换。 我们的系统采用近端策略优化(PPO)作为骨干算法,并将经典架构(LSTM,Transformer)和量子增强模型(QNN,QRWKV,QASA)作为策略和价值网络。 自动化功能工程管道从资本份额数据中提取财务指标,以确保所有配置的一致模型输入。 经验性后验揭示了一个关键的发现:尽管量子增强模型始终如一地获得更高的训练奖励,但它们在实际投资指标(如累积回报和夏普比率)中表现不佳。 这种差异凸显了将强化学习应用于金融领域的核心挑战 - 即代理奖励信号与真实投资目标之间的不匹配。 我们的分析表明,当前的奖励设计可能会激励过度适应短期波动,而不是优化风险调整后的回报。 这个问题因噪声中尺度量子(NISQ)约束下的量子电路固有的表现力和优化不稳定性而加剧。 我们讨论了这种奖励绩效差距的影响,并提出了未来改进的方向,包括奖励塑造,模型正则化和基于验证的早期停止。 我们的工作提供了一个可重复的基准和关键见解,以在实际金融中部署量子强化学习的实际挑战。