Stratified adaptive sampling for derivative-free stochastic trust-region optimization
发表于 2026年4月2日上传于 2026年4月2日

本文提出将动态分层抽样引入信赖域无导数随机优化(SASTRO-DF),在理论上证明分层自适应采样可降低到达ϵ-驻点所需的MC样本复杂度,并通过数值实验展示在低维噪声空间中相比无分层方法的显著效率提升

本文提出将动态分层抽样引入信赖域无导数随机优化(SASTRO-DF),在理论上证明分层自适应采样可降低到达ϵ-驻点所需的MC样本复杂度,并通过数值实验展示在低维噪声空间中相比无分层方法的显著效率提升

本文提出一种三层次的Agentic AI投资架构:年化LLM-S基于基本面筛选、月度FinBERT基于新闻情绪筛选、以及高维精度矩阵估计的定量配权步骤,筛选后的股票池平均约22只并在2020–2024年样本上将峰值年化Sharpe比从基准0.6324提升到1.1867,验证了“sensible screening”在温和筛选误差下使筛选后组合的平方Sharpe比一致估计目标的理论结论

基于1981–2022年美国K–12学校枪击数据,研究发现当日最高温超过90°F时,学校枪击发生率相较于低于70°F的日子增长约80%,且主要由蓄意(homicidal/threat)和威胁类事件驱动,且集中在课前/课后与午餐等监督较少的时段;将估计结果应用于CMIP6气候情景,至2091–2100年,SSP2–4.5与SSP5–8.5情形下,相关枪击事件分别预计上升约8%与14%,对应的现值社会成本估算数百百万美元量级(2025美元)