本サイトは 12 時間以上更新されていません（通常は 3 時間ごと）。以下の内容は最新でない可能性があります。
このページに条件に合う項目はありません（絞り込みはこのページ内のみ）。
説明資金ネットワークを用いたPumpfunミームコインのチーム追従取引の収益性の遡及分析
要約本論文は、Pumpfun上で2024年4月から2026年9月までに記録された十の独立した期間を対象に、トークン発行チームを事前に知っていた場合に追従取引でどれだけのリターンが得られたかを検証しています。実際のSOL準備状態と1SOLから始まる有限資金の口座を用いて各期間を独立に再構成し、チームは資金の流れで結ばれた有向グループとして定義されています。事後的に選んだ閾値では多くの期間で口座が1SOLを上回りましたが、発行前に得られる情報のみで識別した場合の結果は弱まりました。これは実行可能な利益ではなく、SOL価格の因果効果を示すものでもありません。
説明分数ブラウン運動下における強化学習を用いた最適執行の研究
要約本論文は、Almgren-Chrissの枠組みに基づく線形市場インパクトを伴う最適清算問題を、標準ブラウン運動ではなく分数ブラウン運動で駆動される資産価格のもとで検討しています。H≠1/2のとき、Almgren-Chrissによる決定論的解は最適ではなくなることを示しています。そのうえで、価格増分間の相関から得られる情報を活用する戦略を提案し、ニューラルネットワークでパラメータ化した方策勾配法により、CARA効用を最大化するよう学習させています。
説明JUBILEE：債権回収における方策外評価のためのベンチマーク環境
要約本論文は、債権回収シミュレーターを基にしたベンチマーク環境JUBILEEを提案している。このシミュレーターは、競合リスク、まれな回収事象、そして行動と結果の両方に影響する隐れた要因を含む百万件規模の貸出データを生成する。表形式の推定法と勾配ブースティング推定法を比較し、隐れた要因が割り当てに影響する場合には、多くの表形式手法が現地訪問方策の得点を過小評価することを示している。
説明オプションマーケットメーカー向けのリスク感応型強化学習：実際のS&P500オプションを用いた実証研究
要約本論文は、オプションマーケットメーカーのヘッジ問題を扱い、過去の市場データで学習した強化学習によるヘッジ戦略を、従来のデルタヘッジ、単純なヘッジ比率ルール、シミュレーション市場で学習した戦略と比較し、テールリスク保護の性能を検証しています。1996年から2017年までのS&P500オプションデータに基づく実証リプレイ環境を構築し、2018年から2023年までの期間でアウトオブサンプル評価を行っています。実データで学習したエージェントは、デルタヘッジと比べて条件付きバリュー・アット・リスク（CVaR）のテール損失を3.1%削減し、変動が大きく下落する市場では8.9%削減しました。一方、上昇市場ではコストが7%から10%増加しました。
説明と要約を作成中です
説明査読は通るが発見を失うのか？AI研究と査読の共進化ゲーム
要約本論文は、自律型研究システムと自動化された査読の間に生じるフィードバックを、二集団の進化ゲームモデルで分析する。著者は受理を狙う研究と探索的研究の間で、査読者は代理的評価と丁寧な審査の間で選択する。モデルは、掲載成功を報いながら受理された研究の科学的価値を下げる安定状態が成立する条件を示す。数値例では、論文数が科学的損失を覆い隠しうることが示される。