پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 44 |
| تعداد شمارهها | 1,883 |
| تعداد مقالات | 15,313 |
| تعداد مشاهده مقاله | 44,066,022 |
| تعداد دریافت فایل اصل مقاله | 17,848,639 |
رویکرد یادگیری ماشین برای تقریب مارتینگل بازساز در مسائل مالی با ابعاد بالا | ||
| نشریه ریاضی و جامعه | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 07 شهریور 1405 اصل مقاله (1.12 M) | ||
| نوع مقاله: مقاله مروری | ||
| شناسه دیجیتال (DOI): 10.22108/msci.2026.149650.1802 | ||
| نویسندگان | ||
| سعید سقایی طوقچی؛ بهاره اختری* | ||
| گروه ریاضی کاربردی و علوم کامپیوتر، دانشکده ریاضی و آمار، دانشگاه اصفهان، اصفهان، ایران | ||
| چکیده | ||
| مسئله ی مدیریت ریسک و قیمت گذاری سبدهای مالی، از مسائل مهم در ریاضیات مالی به شمار می آیند. روش های رایج به محاسبه ی مستقیم مقدار مورد انتظار شرطی در هر گام زمانی (به عنوان مثال با استفاده از روش های مبتنی بر مونت کارلو) می پردازند. چالش اصلی در این رویکرد، زمانی است که بعد مسئله افزایش می یابد و روش های شبیه سازی از نوع مونت کارلو با هزینه های محاسباتی سنگین مواجه می شوند. در این مقاله با استفاده از مفهوم مارتینگل بازساز که فرآیند ارزش سبد را از طریق اطلاعات نهایی بیان می کند، به جای محاسبه ی مستقیم مقدار مورد انتظار شرطی در هر گام زمانی، ابتدا تابع ارزش نهایی سبد تقریب زده می شود و سپس با تکیه بر ویژگی مارتینگل، مقادیر میانی محاسبه می شوند. تقریب مذکور با استفاده از روش یادگیری نظارت شده و بر پایه ی داده های شبیه سازی شده انجام می شود. نتایج روش پیشنهادی در مدل های گاوسی، با مقایسه ی نتایج آن با روش های مونت کارلوی تودرتو و مونت کارلوی کمترین مربعات از نوع رگرسیون-اکنون نشان می دهند که از نظر دقت و کارایی محاسباتی عملکرد بهتری دارد. | ||
| کلیدواژهها | ||
| یادگیری ماشین؛ مارتینگل بازساز؛ مونت کارلوی تودرتو؛ رگرسیون-اکنون؛ رگرسیون-آتی | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 4 تعداد دریافت فایل اصل مقاله: 3 |
||