UNCERTAINTY-AWARE STRATEGIES: A MODEL-AGNOSTIC FRAMEWORK FOR ROBUST FINANCIAL OPTIMIZATION THROUGH SUBSAMPLING
创建于 更新于
摘要
本文提出一个模型无关的金融优化鲁棒框架，通过在模型空间引入不确定性度量，改进传统优化目标，实现对模型不确定性的有效量化和调控。采用与深度学习小批量采样和统计金融中的自助法相似的子采样策略，结合条件风险价值等不确定性度量，提升了投资和对冲策略在有限数据及多模型环境下的稳健性。创新设计的基于CVaR的随机梯度下降算法解决了传统方法的内存瓶颈，支持高维路径依赖任务，理论分析和实证验证均表明该方法在实际应用中优于简单模型混合策略，且性能接近复杂的贝叶斯方法。[page::0][page::1][page::2][page::3][page::4][page::5][page::6][page::7][page::8][page::9][page::10][page::12][page::13][page::14][page::15][page::16][page::17]
