An Integrated Approach to Importance Sampling and Machine Learning for Efifcient Monte Carlo Estimation of Distortion Risk Measures in Black Box Models
创建于 更新于
摘要
本文提出了一种结合重要抽样（IS）与机器学习（ML）的高效蒙特卡洛方法，实现对复杂黑箱模型中扭曲风险度量（DRM）的准确估计，在节省计算成本的同时提升罕见事件风险测量效率。方法基于扭曲风险度量的分位数混合表示，设计数字离散与样本分配策略，并通过多个案例（如正态、卡方、资产负债管理模型）验证了方法的显著方差缩减效果和适应性[page::0][page::3][page::13][page::15][page::16][page::21]。
