本研究提出了一种基于分布优化框架来优化风险度量的方法,并通过使用经验分布的浓度界从而进行两个评估方案,进一步提高了数据的准确度。
Jun, 2023
该研究论文关注于通过组合优化模型创建高质量的推荐项目列表,以平衡推荐的准确性和多样性。提出了利用鲁棒优化技术处理估计统计不确定性的鲁棒组合优化模型,并证明该方法能够提高推荐的准确性和多样性。
Jun, 2024
通过在线学习框架将原模型重新设计为一种动态策略,以在统计假设下不受限制地接近真实总结的组合的经验效用、夏普比率和增长率。
回顾了不同文献中解决马科维茨优化难题的方法后,提出了一种新方法,该方法在模拟和实证研究中表现出较大的改进,并允许灵活的建模以包含历史数据的动态特征和基本分析。
Aug, 2011
本文研究在马尔可夫决策过程中的均值 - CVaR 优化问题,并提出了策略梯度和演员评论算法,以在局部风险敏感的最优策略中更新策略参数,解决了一个最优停止问题。
Jun, 2014
该文主要研究了基于 CVaR 和 chi-squared 分布的鲁棒优化问题,并提出了一种新的算法以及相应的优化方案。研究结果表明,该算法不仅适用于大规模应用,而且在实验中的效率比全样本方法高 9~36 倍。
Oct, 2020
本文介绍了一种基于 Wasserstein 距离的统一方法,用于两类广泛定义的风险度量的经验估计的集中界限,其中提出的风险度量类包括 CVaR、谱风险度量、CPT 值、偏差风险度量等。
Feb, 2019
本文提出了一种在 MDP 框架下考虑风险和建模误差的决策方法,采用风险敏感条件价值风险 (CVaR) 目标,同时探讨了 CVaR MDP 框架在风险敏感和鲁棒决策制定中的应用,其理论分析和数值实验结果均证明了该方法的实用性和有效性。
Jun, 2015
研究了基于贝叶斯优化算法的目标函数,其中目标函数采用 VaR 或 CVaR 风险度量,算法通过将目标函数建模为高斯过程来提高采样效率,并在投资组合优化和鲁棒系统设计等领域得到了有效应用。
Jul, 2020
该研究拓展了风险敏感的强化学习算法的范围,利用凸优化和演员 - 评论家(actor-critic)模型处理动态风险测量,提出了一种统一的方法来应对风险敏感的策略梯度方法。
Feb, 2015