Deep catastrophic-risk-aware reinforcement learning
创建于 更新于
摘要
本文将极值理论（EVT）与风险敏感强化学习结合，针对高置信度CVaR估计中极端样本稀缺的问题，利用峰值超阈值法、广义帕累托分布和矩估计构建可微尾部风险目标，并通过自动微分训练神经网络策略。在深度对冲实验中，EVT策略在一般市场情景下与经验CVaR策略表现相近，但在极端市场情景下显著降低对冲损失，且该优势在不同训练样本规模下均保持。[page::0][page::8][page::19][page::21]
