Оптимизация портфеля: новый взгляд через энергетические модели
Исследование демонстрирует применение вероятностного подхода и библиотеки THRML для повышения эффективности и диверсификации инвестиционных портфелей.
Денис Аветисян
Трёхмерная оптимизация инвестиционного портфеля: новый взгляд на риск
![Эффективные портфели, сформированные тремя ключевыми фондами - минимальной дисперсии, минимальной связанности и касательной, демонстрируют снижение риска связанности κ при движении к минимальной связанности и снижение дисперсии [latex]\sigma^2[/latex] при движении к минимальной дисперсии, при этом оптимальные портфели для различных значений λ отображаются в гибридной матрице риска [latex]M(\lambda) = \lambda\Sigma + (1-\lambda)C[/latex].](https://arxiv.org/html/2601.06271v1/x2.png)
Исследование представляет унифицированный подход к построению портфеля, учитывающий ожидаемую доходность, волатильность и риск взаимосвязанности активов.
Двухэтапное мышление: как языковые модели учатся решать математические задачи
![Разработана двухэтапная система самосовершенствования, направленная на повышение математических способностей больших языковых моделей: на первом этапе генерируются высококачественные данные цепочки рассуждений с использованием многоходового логического вывода и фильтрации на основе правил для тонкой настройки [latex]\pi_{sft}[/latex], а на втором - применяется алгоритм отбора проб с учетом сложности, позволяющий отсеивать неудовлетворительные результаты [latex]\pi_{sft}[/latex] и, таким образом, оптимизировать модель до [latex]\pi_{rej}[/latex], способную эффективно решать сложные задачи.](https://arxiv.org/html/2601.05616v1/x1.png)
Новый подход к обучению больших языковых моделей демонстрирует значительное улучшение в решении математических задач, приближаясь по эффективности к методам дистилляции без использования внешних моделей.
Прогнозирование будущего: Новый подход к совместной оптимизации авторегрессионных моделей
Исследователи предлагают инновационный метод для повышения точности и эффективности вероятностного прогнозирования в многомерных задачах.
Обучение в условиях глобальной неопределенности
Новый подход к решению задач совместного обучения основан на динамической оптимизации и статистической оценке, позволяющей адаптироваться к изменяющимся условиям.