最小方差模型聚合：一种原则性、非侵入且通用的黑箱模型集成方法
人工智能
2025-03-31 v2 计算工程、金融与科学
摘要
无论是确定性还是随机性，模型都可视为用于逼近特定感兴趣量的函数。我们提出了最小经验方差聚合（MEVA），这是一种数据驱动的框架，通过整合来自不同模型的预测来增强整体准确性，利用每个模型的独特优势。该方法是一种非侵入性、模型无关的方案，将贡献模型视为黑箱，支持来自各种方法（包括机器学习算法和传统数值求解器）的输出。我们主张进行点级线性聚合，并考虑两种优化该聚合的方法：最小误差聚合（MEA），该方法最小化预测误差；和最小方差聚合（MVA），该方法侧重于减少方差。我们证明了 MVA 可以从数据中更稳健地估计于 MEA，这使得 MEVA 优于最小经验误差聚合（MEEA）。与 MEEA 不同，后者直接插值目标值，而 MEVA 将聚合问题形式化为误差估计问题，这可以使用任何主干学习范式完成。我们在各种应用中展示了该框架的通用性和有效性，包括数据科学和偏微分方程，说明其显著提升鲁棒性和准确性的能力。
引用
@article{arxiv.2409.17266,
title = {Empirical Asset Pricing with Large Language Model Agents},
author = {Junyan Cheng and Peter Chin},
journal= {arXiv preprint arXiv:2409.17266},
year = {2025}
}
备注
ICLR 2025 Workshop on Advances in Financial AI