Extrapolation and generative algorithms for three applications in finance
外推与生成算法在三个金融问题中的应用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：摘要明确列出定价外推和逆向压力测试两项金融应用，直接支持资产定价与风险方向分类。
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…
外推与生成算法在三个金融问题中的应用
- 研究问题
- 再生核希尔伯特空间方法能否用于少量定价样例的外推、逆向压力测试，以及扩展现有金融时间序列模型的适用范围？
- 方法与思路
- 作者以 RKHS 数值算法进行定价外推，将逆向压力测试表述为反函数问题，结合最优传输及核编码器、解码器和生成器。
- 材料陈述的贡献
- 摘要称，少量样例外推可兼顾定价精度与计算效率，生成算法支持条件分析和非高斯情境，并以投资组合策略展示用途。
- 阅读关注点
- 应核对外推区域及误差评价、逆问题的可解性、生成分布的检验方式，以及投资组合示例中模型扩展效果如何衡量。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未获核实；摘要未说明定价对象、外推保证和压力测试设定，也未报告具体数值。
原文摘要
For three applications of central interest in finance, we demonstrate the relevance of numerical algorithms based on reproducing kernel Hilbert space (RKHS) techniques. Three use cases are investigated. First, we show that extrapolating from few pricer examples leads to sufficiently accurate and computationally efficient results so that our algorithm can serve as a pricing framework. The second use case concerns reverse stress testing, which is formulated as an inversion function problem and is treated here via an optimal transport technique in combination with the notions of kernel-based encoders, decoders, and generators. Third, we show that standard techniques for time series analysis can be enhanced by using the proposed generative algorithms. Namely, we use our algorithm in order to extend the validity of any given quantitative model. Our approach allows for conditional analysis as well as for escaping the `Gaussian world'. This latter property is illustrated here with a portfolio investment strategy.