Оптимизация: Локальные модели и глобальные приближения
В статье представлен новый подход к решению задач композитной оптимизации, сочетающий в себе преимущества локальных моделей и глобальных приближений.
Наука
Управление Рисками в Обучении с Подкреплением: Новый Подход к Волатильности
![Оптимальные стратегии управления, протестированные в среде без шумов при неоднородной волатильности [latex]2.3[/latex], демонстрируют, что величина неприятия риска β напрямую влияет на траекторию движения, определяя баланс между скоростью и стабильностью.](https://arxiv.org/html/2602.12030v1/meanvar.png)
Исследование предлагает инновационный метод учета не только величины риска, но и времени получения вознаграждения в задачах обучения с подкреплением, что позволяет создавать более эффективные стратегии для финансовых приложений.
Криптотрейдинг: Как следовать трендам и максимизировать прибыль
![Адаптивный алгоритм трендового следования демонстрирует сопоставимую кумулятивную доходность в [latex] \sim 140\% [/latex] в течение периода оценки при различных схемах распределения активов, при этом конфигурация 70/30 обеспечивает незначительно более высокие пиковые значения доходности при сопоставимом профиле просадок.](https://arxiv.org/html/2602.11708v1/chart_5050.png)
Новая система AdaptiveTrend позволяет автоматизировать торговлю криптовалютами, адаптируясь к рыночным условиям и повышая эффективность инвестиций.
Транспортные задачи: новый взгляд на оптимизацию квантилей
![Оптимальное назначение элементов достигается минимизацией евклидова расстояния [latex]\|x-x\_k\|\_2[/latex] между точкой данных <i>x</i> и ее ближайшим представителем <i>x\_k</i>, что определяет меру близости в пространстве признаков.](https://arxiv.org/html/2602.10515v1/x4.png)
В статье представлена методика минимизации квантилей транспортных издержек, а не среднего значения, что открывает новые возможности для решения задач оптимального транспорта.
Анализ рисков при обновлении моделей машинного обучения
Новая методика позволяет точно определить, как изменения в данных влияют на производительность моделей и безопасно внедрять обновления.