神经网络逼近最优清仓策略映射
热点事件持续更新
神经网络逼近最优清仓策略映射
1 篇报道1 个报道来源1 小时前更新
先了解这件事
AI 综述
Donnelly、Galimberti 等在 arXiv 发布论文《Deep Learning for Operator Maps in Optimal Liquidation》，为用神经网络近似最优清仓策略的算子映射提供理论基础，并给出冲击核样本生成、降维等方法。 论文证明，在一般瞬时冲击核下，最优交易策略对临时与瞬时价格冲击、基础价格过程等模型参数具有局部 Lipschitz 连续性；作者还以训练后的网络量化误设冲击核的潜在金融成本。该研究针对最优执行中的解映射近似，未声称神经网络已在实际交易中取代最优清仓策略。
AI 根据报道生成 · 51 分钟前更新
最新进展11月13日 00:30
arXiv 论文：用神经网络逼近最优清仓策略的算子映射报道时间线
沿着报道，了解事件的不同侧面。
11月13日
- AGI HuntarXiv 论文：用神经网络逼近最优清仓策略的算子映射
arXiv 新论文研究最优执行问题的解映射，证明在一般瞬时冲击核下，最优交易策略对临时与瞬时价格冲击、基础价格过程等模型参数具有局部 Lipschitz 连续性，为神经网络近似提供理论依据。作者还提出生成冲击核训练样本、将核投影至有限维表示及按库存与交易信号关系降维的方法，并用训练后的网络量化误设冲击核的潜在金融成本。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。