.png){kind=icon}
返回
Model Aggregation for Risk Evaluation and Robust Optimization
.png){kind=icon}
PRE
AI
DOI：10.1287/mnsc.2023.03523.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
我们提出了一种基于随机占优的审慎风险评估新方法，该方法被称为模型聚合（MA）方法。与经典的极差风险（WR）方法相比，MA方法不仅能产生一个稳健的风险评估值，还能产生一个稳健的分布模型，且不依赖于任何特定的风险度量。MA风险评估可以通过随机占优的格理论中的显式公式计算，并在一些标准假设下，MA稳健优化可以转化为凸规划问题。针对Wasserstein和均值-方差不确定性集，MA方法对于获得的稳健模型存在显式公式。通过MA与WR方法之间的等价性质，获得了关于风险价值（VaR）和预期亏损（也称为条件风险价值，CVaR）的新公理化特征。该方法通过多种风险度量以及投资组合优化中的实例进行了说明。
Keyword:
value at risk
expected shortfall
stochastic dominance
model aggregation
worst case risk measures
model uncertainty
robust optimization
期刊
IF:
4.9
论文数:
780
被引数:
5.0W
机构
引用论文
.png){kind=icon}
Data-driven distributionally robust optimization using the Wasserstein metric: performance guarantees and tractable reformulations使用Wasserstein度量的数据驱动的分布式鲁棒优化: 性能保证和可处理的重新制定
PREAI
分享收藏
查看更多内容