Optimizing Regret
遗憾的优化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：摘要核心是一般遗憾泛函与优化理论，最小方差组合仅作为例子，尚不足以明确归入给定的金融计量细分。
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
遗憾的优化
- 研究问题
- 若期望遗憾可写为成本与决策的协方差，如何推导其下降方向，并在约束及有限样本条件下形成可实施优化算法？
- 方法与思路
- 作者研究协方差遗憾泛函的 Gâteaux 导数，推导线性策略梯度与曲率，并扩展到约束优化、符号梯度对偶及收敛界。
- 材料陈述的贡献
- 摘要称逆向策略构成最陡下降方向，线性策略的梯度由成本协方差决定，并提出仅需输入观测的梯度下降算法。
- 阅读关注点
- 应核对遗憾等式成立的定义与条件、最陡方向所依赖的范数，以及零 Hessian 下边界解与组合例子的约束设定。
- 阅读边界
- 这是 arXiv 预印本，同行评审或接收未经核实；摘要未说明完整可行域及收敛条件，不能据此判断策略收益或组合优越性。
原文摘要
Building on the identity that expected regret equals the covariance between costs and decisions, this paper develops a derivative theory of the covariance regret functional. We derive the Gâteaux derivative, showing that the universal steepest-descent direction is the contrarian policy $-(c-\bar c)$, while ascent yields momentum. For linear policies $\hatπ(c)=Ac+b$, the gradient is the cost covariance matrix $Σ_c$, with a zero Hessian implying boundary-optimal solutions such as the minimum-variance portfolio. We extend to constrained optimization, sign-gradient duality between regret minimization and alpha maximization, finite-sample convergence bounds paralleling Thompson Sampling, and gradient-descent algorithms requiring only input observations.