Волатильность под контролем процентных ставок
![Наблюдается, что подразумеваемая волатильность [latex]\varsigma_{0}({\mst@T\/},{\mst@L\/})[/latex] демонстрирует зависимость от логарифма безденежности при различных сроках погашения ([latex]{\mst@T\/}=0.25[/latex] и [latex]{\mst@T\/}=1.00[/latex]) и коэффициентах корреляции ([latex]\rho=0.00[/latex], [latex]\rho=0.5[/latex] и [latex]\rho=1.00[/latex]), при фиксированных параметрах [latex]\kappa=0.5[/latex], [latex]\vartheta=0.05[/latex], [latex]\delta=0.95\sqrt{2\kappa\vartheta}[/latex], [latex]\gamma=0.2\sqrt{\vartheta}[/latex], [latex]{\mst@t}=0[/latex], [latex]{\mst@L\/}=\log 100[/latex] и [latex]{\mst@L\/}=\vartheta[/latex].](https://arxiv.org/html/2602.00858v1/x2.png)
Новый класс моделей позволяет более точно оценить динамику волатильности активов, учитывая влияние краткосрочных процентных ставок.
Наука
Безопасное обучение с подкреплением: новый подход к надежному управлению
В статье представлен алгоритм SL-SAC, обеспечивающий повышенную безопасность и устойчивость при обучении агентов в сложных непрерывных средах.
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.
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.