Сжатие данных без потерь: новый подход к оптимизации рисков
Исследователи предлагают теоретическую основу и практические алгоритмы для сжатия задач выпуклого эмпирического минимизации рисков, сохраняя при этом оптимальность решения.
Наука
Физика финансов: как законы Ньютона улучшают алгоритмы машинного обучения
![Предлагается структура обучения с подкреплением, интегрирующая физические ограничения для оптимизации портфеля активов, где динамика портфеля описывается уравнением [latex]P\_{t}=P\_{t-1}(\mathbf{w}\_{t-1}^{\to p}\mathbf{y}\_{t})\mu\_{t}[/latex], учитывающим веса активов [latex]\mathbf{w}\_{t}[/latex], относительные цены [latex]\mathbf{y}\_{t}[/latex] и транзакционные издержки [latex]\mu\_{t}=1-c\,\mathrm{TO}\_{t}[/latex], при этом закон Ньютона [latex]F=ma[/latex] внедряется через функцию потерь [latex]L\_{\text{phys}}=\frac{1}{B}\sum\_{i}(\hat{\alpha}\_{t,i}-\alpha\_{t,i})^{2}[/latex], связывающую ускорение [latex]\alpha\_{t}=\Delta v\_{t}/\Delta t[/latex] с весами активов [latex]\hat{\alpha}\_{t}=a\_{t}/m[/latex].](https://arxiv.org/html/2602.01388v1/Flowchart_of_PINN.png)
Новое исследование демонстрирует, что использование принципов физики в алгоритмах глубокого обучения с подкреплением позволяет повысить стабильность и прибыльность инвестиционных стратегий.
Продажа с умом: Оптимизация ликвидации активов в условиях риска
Новая модель стохастического управления позволяет эффективно продавать крупные пакеты активов, учитывая вероятность дефолта и влияние на рынок.
Скрытые закономерности крипторынка: как предсказать краткосрочную прибыль
Новое исследование выявляет устойчивые факторы, влияющие на краткосрочную доходность криптовалют, и демонстрирует возможность прибыльной торговли даже в условиях резких обвалов рынка.
Инвестиции в китайские REIT с помощью искусственного интеллекта: новый подход
Исследователи разработали и протестировали многоагентную систему, управляемую большими языковыми моделями, для торговли китайскими публичными REIT, демонстрируя потенциал повышения доходности.