面向黑盒模型中失真风险度量的蒙特卡罗估计：集成重要抽样与机器学习方法
风险管理
2025-08-29 v3
摘要
失真风险度量在量化不确定结果相关风险方面发挥着关键作用。准确估计在计算成本高昂且缺乏解析可解析性的仿真模型中的这些风险度量，对有效的风险管理和决策至关重要。本文提出了一种用于此类模型中失真风险度量的高效重要抽样方法，通过机器学习降低计算成本。我们在各种失真风险度量和模型上的数值实验中展示了蒙特卡罗方法的可行性和效率。
引用
@article{arxiv.2408.02401,
title = {An Integrated Approach to Importance Sampling and Machine Learning for Efficient Monte Carlo Estimation of Distortion Risk Measures in Black Box Models},
author = {Sören Bettels and Stefan Weber},
journal= {arXiv preprint arXiv:2408.02401},
year = {2025}
}