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.