On the Effectiveness of Classical Regression Methods for Optimal Switching Problems
经典回归方法在最优切换问题中的有效性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：摘要未说明最优切换基准属于资产定价或其他所列应用领域，分类证据不足。
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…
经典回归方法在最优切换问题中的有效性
- 研究问题
- 面对高维最优切换问题，经典回归方法能否在较少超参数调节下提供有效决策，其表现如何随基准问题特征变化？
- 方法与思路
- 作者在Longstaff–Schwartz框架下比较线性、树模型、近邻和神经网络回归，并通过PCA帮助近邻方法处理高维问题。
- 材料陈述的贡献
- 摘要称四个基准中若干简单方法优于所测试的神经网络，近邻回归表现稳定，并为其建立集中界及高维计算方案。
- 阅读关注点
- 应核对近优性的评价基准、训练与调参预算、各问题的维度结构，以及PCA处理和近邻集中界所需的具体条件。
- 阅读边界
- 仅据arXiv v4预印本摘要，不能确认同行评审或接收，也不推断版本变化。优势限于所测基准与模型，不能推出普遍优于神经网络。
原文摘要
Simple regression methods provide robust, near-optimal solutions for optimal switching problems, including high-dimensional ones (up to 50). While the theory requires solving intractable PDE systems, the Longstaff-Schwartz algorithm with classical regression methods achieves excellent switching decisions without extensive hyperparameter tuning. Testing linear models (OLS, Ridge, LASSO), tree-based methods (random forests, gradient boosting), $k$-nearest neighbors, and feedforward neural networks on four benchmark problems, we find that several simple methods maintain stable performance across diverse problem characteristics, outperforming the neural networks we tested against. In our comparison, $k$-NN regression performs consistently well, and with minimal hyperparameter tuning. We establish concentration bounds for this regressor and show that PCA enables $k$-NN to scale to high dimensions.