删失探索与暗池问题
机器学习
2012-05-14 v1 计算机科学与博弈论
摘要
我们引入并分析了一种基于删失数据进行多场所探索的自然算法，该算法的动机源于现代量化金融中的暗池问题。我们证明了该算法能在多项式时间内收敛至近最优分配策略；此前针对随机库存控制中类似问题的结果仅保证了渐近收敛，且考察的是各场所可独立处理的变体。我们的分析与强化学习文献中的高效探索/利用方案高度相似。我们描述了使用该算法结合真实交易数据对暗池问题进行的广泛实验评估。
引用
@article{arxiv.1205.2646,
title = {Censored Exploration and the Dark Pool Problem},
author = {Kuzman Ganchev and Michael Kearns and Yuriy Nevmyvaka and Jennifer Wortman Vaughan},
journal= {arXiv preprint arXiv:1205.2646},
year = {2012}
}
备注
Appears in Proceedings of the Twenty-Fifth Conference on Uncertainty in Artificial Intelligence (UAI2009)