我们提供了一个全面的量子算法,为定价自动调用选项量身定制,提供了完整的实现和实验验证。 我们的实验包括在高性能计算(HPC)硬件上进行模拟,以及对与经典估计值的融合经验分析。 我们的关键创新是改进基于集成的指数振幅加载技术,与最先进的方法相比,可降低电路深度。 相关设置中的详细复杂度分析显示,相对于以前的方法,回报组件的T深度减少了约50倍。 这些贡献代表了朝着更有效的量子方法定价复杂金融衍生品迈出的一步。
商品交易顾问(CTA)历来依赖于趋势遵循的规则,这些规则在从长期突破截然不同的视野中运作,这些突破捕捉了在快速移动市场中蓬勃发展的短期动力信号的主要方向性移动。 尽管在趋势方面进行了大量工作,但短期长期趋势系统的相对优点和相互作用仍然存在争议。 本文通过(i)动态分解CTA回归为短期趋势,长期趋势和市场测试因素,使用贝叶斯图形模型,以及(ii)显示视野的混合如何塑造策略的风险调整性能。
我们提供了一个全面的量子算法,为定价自动调用选项量身定制,提供了完整的实现和实验验证。 我们的实验包括在高性能计算(HPC)硬件上进行模拟,以及对与经典估计值的融合经验分析。 我们的关键创新是改进基于集成的指数振幅加载技术,与最先进的方法相比,可降低电路深度。 相关设置中的详细复杂度分析显示,相对于以前的方法,回报组件的T深度减少了约50倍。 这些贡献代表了朝着更有效的量子方法定价复杂金融衍生品迈出的一步。
商品交易顾问(CTA)历来依赖于趋势遵循的规则,这些规则在从长期突破截然不同的视野中运作,这些突破捕捉了在快速移动市场中蓬勃发展的短期动力信号的主要方向性移动。 尽管在趋势方面进行了大量工作,但短期长期趋势系统的相对优点和相互作用仍然存在争议。 本文通过(i)动态分解CTA回归为短期趋势,长期趋势和市场测试因素,使用贝叶斯图形模型,以及(ii)显示视野的混合如何塑造策略的风险调整性能。
我们提出了一个简单的方法来近似函数与给定的渐近行为通过专门构造的术语和无约束的深度神经网络(DNN)。 我们描述的方法延伸到各种无症状行为和多个维度,易于实现。 在这项工作中,我们在一维示例中演示了线性渐近行为。 我们将其应用于函数近似和回归问题,其中我们仅测量函数值(“香草机器学习”-VML)的近似值,或者在几个示例中测量函数和衍生值(“差异机器学习”-DML)的近似值。 我们看到,强制给定的渐近行为会导致更好的近似和更快的收敛。
电力系统日益脆弱,加剧了运行储备的需求,以管理发电机中断、线路故障和突然负载变化等突发事件。 与受消费者需求驱动的能源成本不同,运营储备成本源于解决最关键的可信突发事件 - 引发了一个问题:如何通过有效的定价机制分配这些成本? 作为以前报告的计划的替代方案,本文提出了基于应急受限能源和储备调度模型的电力市场新的因果关系定价框架。 主要特征包括一种新的安全收费机制,以及向上旋转储备、下旋转储备和传输服务的价格的明确定义。 这些功能确保了更全面、更高效的成本反映市场运营。 此外,拟议的节点定价方案产生收入充足性和中立性,同时根据成本因果关系原则促进发电机的可靠性激励。 拟议框架的另一个突出方面是传输资产的经济激励,这些资产是根据所有应急州提供能源和储备的用途来补偿的。 两项案例研究得出的数字结果表明了拟议定价方案的表现。
对于许多涉及医疗保健,工程和金融领域的复杂模拟任务,蒙特卡洛(MC)方法因其无偏见的估计和精确的错误量化而非常宝贵。 然而,蒙特卡洛模拟通常变得计算上令人望而却步,特别是对于缺乏有效方差减少技术的嵌套,多层次或路径依赖性评估。 虽然机器学习(ML)替代物似乎是天然的替代品,但幼稚的替代品通常会引入无法量化的偏见。 我们通过引入Preandization-Enhanced Monte Carlo(PEMC)来应对这一挑战,该框架利用现代ML模型作为学习预测因子,使用廉价和可并行的模拟作为功能,以降低方差和运行时输出无偏评估。 PEMC也可以被视为控制变量的“现代化”视图,其中我们考虑整体计算成本-感知方差减少而不是每个复制减少,同时绕过闭式均值函数要求并保持蒙特卡洛的优势不偏不倚和不确定性可量化性。 我们通过三个例子说明了PEMC更广泛的功效和多功能性:第一,股票衍生品,如随机局部波动模型下的方差互换;第二,利率衍生品,如Heath-Jarrow-Morton(HJM)利率模型下的互换定价。 最后,我们在具有社会意义的背景下展示PEMC - 救护车调度和医院负载平衡 - 准确的死亡率估计是道德敏感决策的关键。 在这些不同的场景中,PEMC持续减少方差,同时保持不偏不倚,突出了其作为标准蒙特卡洛基线的强大增强的潜力。
我们介绍了一个新的三阶段框架,利用大型语言模型(LLM)在具有风险意识的多代理系统中,用于自动化定量金融中的战略发现。 我们的方法解决了传统深度学习模型在金融应用中的脆弱:使用快速设计的LLM在多种财务数据中生成可执行的α因子候选,实施基于多模态代理的评估,根据市场状态过滤因子,预测质量,同时保持类别平衡,并部署适应市场条件的动态权重优化。 与既定基准相比,实验结果表明,该战略在中美市场制度中的强劲表现。 我们的工作将LLM的能力扩展到量化交易,为金融信号提取和投资组合构建提供了可扩展的架构。 整体框架显著跑赢所有基准,SSE50累计回报率为53.17(2023年1月至2024年1月 ) , 显示出卓越的风险调整表现和市场下行保护。
这项工作的目的是提出由Han,Jentzen,E(2018)对向前向后随机微分方程(FBSDE)的跳跃的深解器的扩展。 和前面提到的求解器一样,从FBSDE的离散版本开始,并通过人工神经网络(ANN)家族对(高维度)控制过程进行参数化,FBSDE被视为基于模型的强化学习问题,并且安装了ANN参数,以最小化规定的损失函数。 我们通过在后一种情况下引入有限和无限跳跃活动来考虑有限和无限跳跃活动。 我们成功地将我们的算法应用于低维度和高维度的期权定价问题,并讨论了在交易对手信用风险背景下的适用性。
我们研究寻求学习大量信贷市场证券(如公司债券、政府债券、贷款和其他信贷相关证券)价格的经纪人所面临的动态定价问题。 这些证券定价的一个主要挑战源于其不常见的交易以及场外交易(OTC)市场缺乏透明度,这导致个人定价数据不足。 然而,许多证券具有可以利用的结构相似性。 此外,经纪商经常下小“探查”订单,推断竞争对手的定价行为。 利用这些见解,我们提出了一个多任务动态定价框架,利用证券的共享结构来提高定价准确性。 在OTC市场中,经纪商通过提供比竞争对手更具竞争力的价格来赢得报价。 经纪人的目标是学习获胜的价格,同时尽量减少预期的后悔。 我们使用 d 维度特征向量对每个安全性进行建模,并假设竞争对手对收益率定价的线性上下文模型,参数未知。 我们提出了双阶段多任务(TSMT)算法:首先,一个非正则化的MLE over pooled data,以获得粗参数估计;第二,在单个证券上进行正则化的MLE来完善参数。 我们表明,TSMT实现了由Õ(δ_max√(T M d)+M d)约束的遗憾,优于完全单个和完全集合的基线,其中M是证券的数量,并δ_max量化其异质性。
加密货币在价格波动高的市场波动,给投资者带来重大挑战。 为了帮助明智的决策,已经开发了预测加密货币市场走势的系统,通常侧重于历史模式。 然而,这些方法往往忽略了影响市场动态的三个关键因素:1)宏观投资环境,反映在影响合作投资者行为的主要加密货币波动中;2)整体市场情绪,受到影响投资者策略的新闻的严重影响;3)技术指标,提供对超买或超卖条件,动量和市场趋势的见解,这对短期价格走势至关重要。 本文提出了一种双重预测机制,通过结合宏观经济波动、技术指标和个人加密货币价格变化来预测第二天的收盘价。 此外,一种新的改进机制通过基于市场情绪的调整和融合来增强预测。 实验表明,拟议的模型实现了最先进的性能,始终如一地优于十种比较方法。
自从生成式人工智能问世以来,每家公司和研究人员都急于开发自己的生成模型,无论是否商业。 鉴于这些强大的新工具的大量用户,目前没有内在可验证的方法来从头开始解释当LLM(大型语言模型)学习时会发生什么。 例如,那些基于自动语音识别系统,它们必须依靠从网络上收集的庞大和天文数字的数据来产生快速高效的结果,在这篇文章中,我们开发了一种名为MarketBackFinal 2.0的后门攻击,基于声学数据中毒,MarketBackFinal 2.0主要基于现代股票市场模型。 为了显示可能依赖LLM的基于语音的变压器可能存在的脆弱性。
我们提出了一种新的自适应分布发生器,它利用基于量子行走的方法生成目标概率分布的高精度和效率。 我们的方法将变异量子电路与离散时间量子行走(特别是分步量子步走及其纠缠的扩展)集成在一起,以动态调整硬币参数并推动量子态向期望的分布演进。 这为应用提供了精确的一维概率建模,例如金融模拟和结构化二维模式生成,例如数字表示(0 9)。 在 CUDA-Q 框架内实现,我们的方法利用 GPU 加速来显著降低计算开销,提高相对于传统方法的可扩展性。 广泛的基准测试表明,我们的基于量子行走的自适应分配发生器实现了高模拟保真度,并弥合了理论量子算法与实际高性能计算之间的差距。
No more items to load.
