![Эффективная граница, ограниченная определёнными условиями, демонстрирует более сжатый диапазон возможных решений по сравнению с не ограниченной, что указывает на компромисс между риском и доходностью в оптимизационных задачах [latex] \text{risk} = f(\text{return}) [/latex].](https://arxiv.org/html/2605.29413v1/ContrainedvsUncontrainedOptimization.png)
В статье рассматривается переход от традиционной оптимизации к современным методам, использующим факторные модели и байесовские подходы для повышения стабильности и доходности инвестиционных портфелей.
Новое исследование демонстрирует, как алгоритмы глубокого обучения, обученные с учетом финансовых целей, способны превзойти традиционные методы оптимизации портфеля и обеспечить стабильную прибыль даже в условиях нестабильного рынка.
Исследование предлагает интегрированную модель, объединяющую стохастическую волатильность, скачки и динамику процентных ставок для более точной оценки опционов и симуляции кривой доходности.
Новый подход к управлению портфелем активов объединяет скрытые марковские модели и обучение с подкреплением, позволяя адаптироваться к меняющимся рыночным условиям.
![Средний размер портфеля демонстрирует зависимость от величины [latex]1-\alpha[/latex] для генератора со слабой согласованностью, работающего в паре с каждым оценщиком при [latex]K=100[/latex], при этом усреднение проводилось по 40 итерациям, а заштрихованные области указывают на 95%-ные доверительные интервалы.](https://arxiv.org/html/2605.27013v1/x2.png)
Новый подход использует возможности больших языковых моделей для генерации портфеля оптимизационных моделей, гарантируя устойчивость и качество получаемых результатов.