Управление рисками в условиях неопределенности: новый подход
![Результаты моделирования, проведённого для двух генеративных процессов ([latex]DGP_1[/latex] и [latex]DGP_2[/latex]) с использованием различных значений веса штрафа ([latex]\lambda \in \{0.50, 0.70, 0.90\}[/latex]), демонстрируют, что метод ACFS обеспечивает более узкое распределение оценок по сравнению с GP-BO, особенно в случае [latex]DGP_2[/latex], где логнормальная асимметрия усиливает ошибки при оценке хвостов распределения, что указывает на превосходство ACFS в условиях повышенной сложности и неопределенности.](https://arxiv.org/html/2603.12507v1/x1.png)
В статье представлена инновационная методика, сочетающая машинное обучение и оптимизацию для минимизации рисков при принятии решений в условиях, когда неопределенность зависит от самих решений.



![В исследовании демонстрируется, что при использовании гауссовских скачков для волатильности и ядра [latex]\phi_n(t) = (1/n+t)^{H-1/2}[/latex] с параметром масштабирования [latex]n=10[/latex], логарифм цены и логарифм волатильности демонстрируют отрицательную корреляцию вдоль траектории выборки.](https://arxiv.org/html/2603.13170v1/x2.png)