Robust Data-Driven Decisions Under Model Uncertainty
模型不确定性下的稳健数据驱动决策AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确讨论歧义下资产定价的经济模型应用，支持资产定价分类，但核心决策方法具有通用性。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
模型不确定性下的稳健数据驱动决策
- 研究问题
- 当数据来自未知的独立但可能非同分布序列，数据生成过程无法完全识别时，如何利用数据稳健改善决策？
- 方法与思路
- 作者以相对于不使用数据的决策改善为目标，提出新的更新规则，分别追求渐近几乎必然或给定概率的有限样本保证。
- 材料陈述的贡献
- 摘要称常见极大似然与贝叶斯更新不能实现该稳健目标，新规则可实现相应保证，并讨论歧义下资产定价等经济应用。
- 阅读关注点
- 应核对决策改善的比较基准、损失或偏好标准、候选数据生成过程集合，以及更新规则的保证与可实施性条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未经核实；摘要未给出决策标准与保证条件，不能将其表述为无条件改善。
原文摘要
When sample data are governed by an unknown sequence of independent but possibly non-identical distributions, the data-generating process (DGP) in general cannot be perfectly identified from the data. For making decisions facing such uncertainty, this paper presents a novel approach by studying how the data can best be used to robustly improve decisions. That is, no matter which DGP governs the uncertainty, one can make a better decision than without using the data. I show that common inference methods, e.g., maximum likelihood and Bayesian updating cannot achieve this goal. To address, I develop new updating rules that lead to robustly better decisions either asymptotically almost surely or in finite sample with a pre-specified probability. Especially, they are easy to implement as are given by simple extensions of the standard statistical procedures in the case where the possible DGPs are all independent and identically distributed. Finally, I show that the new updating rules also lead to more intuitive conclusions in existing economic models such as asset pricing under ambiguity.