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
本报告提出了一种结合机器学习的高效重要抽样算法，用于复杂黑盒模型中扭曲风险度量（DRM）的蒙特卡洛估计，显著降低计算成本并提高尾部风险估计的准确性。方法通过对量化分位数的离散和样本分配优化实现，并在多个数值案例和保险资产负债管理模型中验证其方差缩减效果，尤其适用于极端尾部事件的估计，支持风险管理与资本充足性评估 [page::0][page::3][page::10][page::13][page::16][page::18]。
