加载中...
本文提出将Picard迭代、elicitability与深度学习相结合的数值方法,用于求解含有公共噪声的McKean–Vlasov前后向SDE。核心是利用elicitability构造路径级损失以估计条件统计量(如条件均值或分位数),从而在不进行嵌套蒙特卡洛的情况下训练RNN与前馈网络逼近S、Y、Z及Z0;数值实验(含系统性风险解析解检验与经济增长模型应用)证明了方法的准确性与灵活性
| 模型 | 结构 |
|---|---|
| Y 网络 | Feed-forward, 2 层, 每层 18 节点 |
| Z^0 网络 | 单层 GRU(hidden dim=2) + 1 层 FF 输出 |
| S 网络 | 单层 GRU(hidden dim=2) + 1 层 FF 输出 |
元数据与概览(引言与报告概览)
逐节深度解读
图表与图像深度解读(逐图分析)
估值/损失与模型化方法说明(等价于“估值分析”)
风险因素评估与方法局限(基于报告内容的审慎视角)
批判性视角与细微差别
结论性综合
参考与可复现性注记
2512.14967.pdf