An Integrated Approach to Importance Sampling and Machine Learning for Efifcient Monte Carlo Estimation of Distortion Risk Measures in Black Box Models
发表于 2025年8月29日上传于 2025年8月29日

本文提出了一种结合重要抽样(IS)与机器学习(ML)的高效蒙特卡洛方法,实现对复杂黑箱模型中扭曲风险度量(DRM)的准确估计,在节省计算成本的同时提升罕见事件风险测量效率。方法基于扭曲风险度量的分位数混合表示,设计数字离散与样本分配策略,并通过多个案例(如正态、卡方、资产负债管理模型)验证了方法的显著方差缩减效果和适应性。