Distributionally robust shortfall risk portfolio model with moment ambiguity sets
Xiangtan University(湘潭大学);Hunan City University(湖南城市学院);Shanghai Jiao Tong University(上海交通大学)
提出基于矩的分布鲁棒优化短缺风险投资组合模型,将分段线性损失函数问题转化为可处理的线性锥优化问题,并设计Moment-SOS松弛算法求解。
2026-06-04 math.OC
A Composite Bayesian Risk--Distributionally Robust Optimization Model for Stochastic Programming with Elliptical Distribution Ambiguity
Chinese University of Hong Kong(香港中文大学)
针对半参数椭圆分布模糊的随机规划问题,提出基于估计方程的吉布斯推断框架与复合贝叶斯风险-分布鲁棒优化模型,开发割平面算法求解,性能优于样本平均近似等基准方法。
2026-10-14 math.OC stat.ME
Ordered Risk Minimization: Learning More from Less Data
本文提出“有序风险最小化”框架,利用离散分布置换不变模糊集的最坏期望作为代理成本,为期望风险提供任意样本量下可紧密确定的高置信度上界,并支持基于 $ϕ$-散度的模糊集校准,相比经验风险最小化泛化更好且对调参更不敏感。
2023-09-18 math.OC
Building Load Control using Distributionally Robust Chance-Constrained Programs with Right-Hand Side Uncertainty and the Risk-Adjustable Variants
供暖、通风和空调(HVAC)负荷的聚集可以提供储备以吸收挥发性的可再生能源,特别是太阳能光伏(PV)发电。在本文中,我们决定在不确定的光伏发电暖通空调控制计划,使用分布鲁棒机会约束(DRCC)建筑负荷控制模型下的两个典型的模糊集:基于矩和Wasserstein模糊集。我们推导出混合整数线性规划(MILP)下的DRCC问题的重新制定。特别是,对于Wasserstein模糊集,我们利用右手边(RHS)的不确定性,推导出一个更紧凑的MILP重新比通常已知的MILP重新与大M常数。所有的结果也适用于一般的个人机会约束与RHS的不确定性。此外,我们提出了一个可调整的机会约束的变体,以实现操作风险和成本之间的权衡。我们推导出Wasserstein模糊集下的MILP重构和基于矩集下的二阶锥规划(SOCP)重构。使用真实世界的数据,我们进行计算研究,以证明解决方案的方法和解决方案的有效性的效率。
2022-01-24 math.OC
Tight Bounds for a Class of Data-Driven Distributionally Robust Risk Measures
本文扩展了鲁棒矩问题的概念,采用Wasserstein距离作为模糊度度量,将分布模糊度纳入其中。研究了一维空间中经典的Chebyshev-Cantelli(零阶部分矩)不等式、Scarf和Lo(一阶部分矩)界以及半恒等式(二阶部分矩).给出了无限维原问题的形式,并导出了更简单的有限维对偶问题。一个主要的激励问题是如何数据驱动的分布模糊性影响的时刻界限。为了回答这个问题,一些理论的发展和计算实验进行了具体的问题实例在库存控制和投资组合管理。最后,本文提出了一些有待解决的问题和对未来研究的建议。
2020-10-13 math.OC q-fin.MF
Optimal ergodic harvesting under ambiguity
我们考虑一个遍历收获问题与模型的模糊性,产生于生物学。为了解释这种模糊性,问题被构造成一个有两个参与者的随机对策:决策者(DM)选择“最好”的收获政策,一个不利的参与者选择“最差”的概率测度。主要结果是建立了DM的最优策略(也称为控制),并表明它是一个阈值策略。最优阈值和最优收益是通过求解由Hamilton Jacobi Bellman(HJB)方程产生的一个自由边界问题得到的。作为证明的一部分,我们修复了[Alvarez和Hening,{ \em随机过程]的HJB分析中出现的一个缺口。Appl.},2019],一篇分析遍历收获问题的风险中性版本的论文。最后,我们研究了最优阈值和最优收益对模糊度参数的依赖性,并证明了如果模糊度为0,问题收敛到风险中性问题。
2021-04-21 math.OC q-bio.PE
Online Learning Based Risk-Averse Stochastic MPC of Constrained Linear Uncertain Systems
College of Engineering, Cornell University(康奈尔大学工程学院)
研究了线性定常系统在加性随机干扰下的数据驱动随机模型预测控制(MPC)设计问题,该系统的概率分布未知,但可以部分地从数据中推断.我们提出了一种新的基于在线学习的风险规避随机MPC框架,其中要求对系统状态的条件风险价值(CVaR)约束保持一个家庭的分布称为模糊集。模糊集是从扰动数据构建的,利用狄利克雷过程混合模型,是自适应的底层数据结构和复杂性。具体地说,利用多模态的结构特性,使得每个混合分量的一阶和二阶矩信息被并入到模糊度集中。然后,一种新的约束收紧策略的基础上提出的模糊度集上的分布鲁棒CVaR约束的等价重构。随着控制器运行期间收集的数据越来越多,模糊度集使用实时扰动数据在线更新,这使得风险规避随机MPC能够应对时变扰动分布。所采用的在线变分推理算法不需要从头开始学习所有收集的数据,因此,建议MPC被赋予保证计算复杂性的在线学习。通过一个安全的更新方案,建立了建议MPC的递归可行性和闭环稳定性的保证。数值算例表明了该方法的有效性和优越性。
2020-11-20 cs.LG math.OC stat.ML
Robust Risk-Sensitive Reinforcement Learning with Conditional Value-at-Risk
University of California, Davis(加利福尼亚大学戴维斯分校)
本文研究RMDP下基于CVaR的风险敏感强化学习的鲁棒性,建立鲁棒性与风险敏感性的联系,并针对状态-动作依赖模糊集提出新风险度量NCVaR及值迭代算法,通过仿真实验验证其有效性。
2024-05-02 cs.LG math.OC stat.ML
A Diagnostic Framework for Implementation Risk in Bilevel Decision Problems: The Ambiguity Premium and the Robustness--Efficiency Frontier
College of Engineering, Boston University(波士顿大学工程学院)
本文提出了一种量化双层决策问题实施风险的诊断框架,通过计算乐观和悲观的上层价值差值作为模糊溢价,并建立了直径界和二次下层增长下的估计,展示了稳健性-效率前沿在识别名义上吸引但对近优追随者响应敏感的政策方面的应用。
2026-05-16 math.OC
Robust Optimal Portfolio in a Mixture Setting with Partial Ambiguity
本文提出在混合分布环境下,通过投影子梯度下降算法解决部分不确定性下的稳健投资组合优化问题,实现几何收敛率。
2026-03-01 math.OC
Equilibrium Portfolio Selection for Smooth Ambiguity Preferences
研究了连续时间市场中平滑模糊偏好下的均衡投资组合选择问题。投资者对风险资产的漂移项不确定,根据贝叶斯规则更新主观信念。两个版本的验证定理建立和均衡策略可以分解为一个短视的需求和两个对冲需求。当先验为高斯分布时,得到了封闭形式的平衡解。通过平滑模糊度偏好的替代表示来解释数值结果中的难题。
2023-02-16 math.OC
Preference Robust Generalized Shortfall Risk Measure Based on the Cumulative Prospect Theory When the Value Function and Weighting Functions Are Ambiguous
Folmer和Schied [15]引入的基于效用的短缺风险(SR)度量最近由Mao和Cai [29]扩展到基于累积前景理论(CPT)的SR,以更好地捕获决策者的效用/风险偏好。在本文中,我们考虑的情况下,信息的价值函数和/或加权函数的CPT基于SR是不完整的。而不是使用部分可用的信息来构建一个近似值函数和加权函数,我们提出了一个强大的方法来定义一个广义的短缺风险,这是基于元组的最坏情况下的值/加权函数从模糊集的合理值/加权函数通过可用的信息。模糊集可以用引出的偏好信息(例如成对比较问卷)和主观判断来构建,并且模糊度随着越来越多的偏好信息被获得而减小。在适当的条件下,我们证明了如何通过求解一个线性规划问题来计算鲁棒短缺风险度量的子问题。为了检验所提出的鲁棒模型和计算方案的性能,我们进行了一些数值实验,并报告了初步的测试结果。本文的工作可以看作是偏好鲁棒最优化模型研究的一个扩展。
2021-12-19 math.OC
Multistage Distributionally Robust Mixed-Integer Programming with Decision-Dependent Moment-Based Ambiguity Sets
研究了内生不确定性下的多阶段分布鲁棒混合整数规划,其中阶段不确定性的概率分布依赖于前几阶段的决策.我们首先考虑两个模糊集定义的决策相关的界限上的第一和第二时刻的不确定参数和平均值和协方差阵,完全匹配的决策相关的经验,分别。对于这两个集合,我们表明,在每个阶段的子问题可以被改写为一个混合整数线性规划(MILP)。此外,我们将(Delage和Ye,2010)中的一般基于矩的模糊性集扩展到多级决策相关的设置,并推导出逐阶段子问题的混合整数半定规划(MISDP)重新表述。我们开发的方法来达到多级MISDP的最佳目标值的下限和上界,并近似使用一系列的MILP。我们部署的随机对偶动态整数规划(SDDiP)的方法来解决问题的三个模糊集下的风险中性或风险厌恶的目标函数,并进行数值研究的多级设施选址实例具有不同的大小在不同的参数和不确定性设置。我们的研究结果表明,SDDiP快速找到最优解的前两个模糊集下的中等规模的实例,也找到了良好的近似边界下的第三个模糊集的多级MISDP。我们还证明了在多级决策过程中,将决策相关的分布模糊性的有效性。
2020-09-25 math.OC
Portfolio diversification and model uncertainty: a robust dynamic mean-variance approach
研究了模型不确定性下的动态多资产均值-方差投资组合问题。本文建立了一个连续时间框架,考虑了资产的预期收益率和相关矩阵的模糊厌恶,并研究了其对投资组合多元化的联合影响。动态设置允许我们考虑时变模糊集,包括在历史数据的滚动窗口上估计漂移和相关性的情况,或者投资者考虑学习模糊性的情况。在这种情况下,我们证明了一个一般的分离原则相关联的鲁棒控制问题,这使我们能够减少最优动态策略的参数计算的最小风险溢价函数的确定。我们的研究结果为多元化不足提供了理由,如实证研究和静态模型[16],[34]所述。此外,我们明确量化的相关界限和夏普比率的接近度的多样化程度,并强调漂移和相关性模糊引起的不同功能。特别是,我们表明,投资者的信心差的预期收益率估计不持有任何风险资产,另一方面,贸易只有一个风险资产时,相关矩阵的模糊程度是大的。我们还提供了一个完整的图片多样化的最佳稳健投资组合的三个资产的情况下,JEL分类:G11,C61 MSC分类:91 G10,91 G80,60 H30
2021-12-01 math.OC math.PR q-fin.PM
Preference Robust Ordinal Priority Approach with Preference Elicitation under Incomplete Information for Multi-Attribute Robust Ranking and Selection
针对多属性排序与选择中的参数和偏好不确定性,提出两阶段OPA-PR框架,结合效用偏好诱导与鲁棒优化,并通过应急供应商选择实验验证。
2025-06-09 math.OC
Robust optimal consumption, investment and reinsurance for recursive preferences
University of Ghana(加纳大学);African Institute for Mathematical Sciences(非洲数学科学研究院);University of Rwanda(卢旺达大学);University of Freiburg(弗赖堡大学)
本文针对模型不确定性下具有Epstein-Zin递归偏好的保险公司,研究鲁棒最优消费、投资与再保险问题,通过求解耦合FBSDE得到闭式解,分析了模糊厌恶等参数的影响,为深度不确定下的资本配置与风险转移提供综合框架。
2025-11-04 math.OC q-fin.RM
Relative Entropy-Bounded Ambiguous Chance Constraints for Robust Planning in Nonlinear Systems
Smead Department of Aerospace Engineering Sciences, University of Colorado Boulder(苏尔兹德部航空航天工程科学系,科罗拉多大学博尔德分校)
研究非线性系统中分布模糊下随机控制的风险概率定义,利用指数积分变分表达式界定预期风险值,给出确定相对熵距离的方法,为处理非线性协方差转向问题中的分布模糊提供框架并通过航天器制导示例展示成果。
2026-07-21 cs.IT cs.RO math.IT
Robust risk aggregation with neural networks
我们考虑的设置中,一个多元随机变量的分布是部分模糊的。我们假设的模糊性在于依赖结构的水平,并且边际分布是已知的。此外,目前最好的猜测分布,称为参考措施,是可用的。我们使用的分布集在运输距离(例如Wasserstein距离)上都接近给定的参考测度,并且还具有正确的边缘结构。我们的目标是找到关于这个集合中的分布的感兴趣的积分的上界和下界。所述问题在风险汇总的背景下自然出现。当聚合不同的风险时,这些风险的边际分布是已知的,任务是量化它们对给定系统的联合影响。这通常是通过对单个风险的总和应用有意义的风险度量来实现的。为此,需要具体说明风险之间的随机相互依赖性。然而,在实践中,这种依赖结构的模型受到相对较高的模型模糊性的影响。本文的贡献是双重的:首先,我们得到了所考虑的问题的对偶表示,并证明了强对偶成立。其次,我们提出了一个普遍适用的和计算上可行的方法,它依赖于神经网络,以数值求解派生的对偶问题。后一种方法在一些玩具示例上进行了测试,然后最终应用于在现实世界的实例中执行鲁棒的风险聚合。
2020-05-26 math.OC q-fin.MF q-fin.RM
Multi-period Mean-Expectile Portfolio Optimization under Wasserstein Ambiguity: Reformulation, Degeneracy and the Role of the Ground Metric
Indian Institute of Technology Delhi(印度德里理工学院)
该研究针对Wasserstein模糊下多周期均值-期望投资组合优化的难题,开发最坏情况期望损失的包络定理重构模型,经90个富时成分股3341个交易日数据验证,所提期望损失模型优于匹配条件的CVaR模型。
2026-10-09 math.OC q-fin.CP
Decision Making under the Exponential Family: Distributionally Robust Optimisation with Bayesian Ambiguity Sets
Department of Statistics, University of Warwick, Coventry, UK(威斯敏斯特大学统计学系);Department of Computer Science, University of Warwick, Coventry, UK(威斯敏斯特大学计算机科学系);Department of Statistics, University College London, UK(伦敦大学学院统计学系);The Alan Turing Institute, London, UK(艾伦·图灵研究所)
针对不确定性下因模型不确定或观测有限含噪导致的贝叶斯决策次优问题,提出带贝叶斯模糊集的分布鲁棒优化方法DRO-BAS,含两种构造形式,均有高效求解方案,在报童和投资组合问题上表现更优。
2025-06-12 cs.LG math.OC
$k$-Submodular Interdiction Problems under Distributional Risk-Receptiveness and Robustness: Application to Machine Learning
Virginia Tech(弗吉尼亚理工大学)
本研究提出分布鲁棒和分布风险接受的$k$-子模阻断问题,用于对抗性机器学习中的特征选择,通过有限收敛算法求解攻击-防御博弈,提供期望值的置信区间范围。
2025-06-18 cs.LG math.OC
Extreme-Case Distorted Utility under Moment Ambiguity
Guanghua School of Management, Peking University(北京大学光华管理学院);School of Management and Engineering, Nanjing University(南京大学工程管理学院);International Business School, Zhejiang University(浙江大学国际商学院);Institute of Operations Research and Analytics, National University of Singapore(新加坡国立大学运筹与分析研究所)
针对局部Lipschitz且可能非光滑非凸凹的效用函数与一般扭曲,在分位数域通过保序投影处理单调性约束,统一推导出最坏与最好情形下精确的一阶最优性条件、闭式极值和分布,并扩展了经典矩界。
2026-06-24 math.OC
Low-rank Kalman filtering under model uncertainty
我们考虑一个鲁棒滤波问题,其中名义状态空间模型是不可达的,不同于实际的。我们提出了一个强大的卡尔曼滤波器,解决了一个动态的游戏:一个球员选择最不利的模型在一个给定的模糊集,而其他球员设计的最佳滤波器的最不利的模型。结果表明,鲁棒滤波器是由一个低秩的风险敏感类Riccati方程。仿真结果表明了该滤波器的有效性。
2020-09-05 math.OC
Calibrating Ambiguity Set via Diagnostic Transport for Distributionally Robust Optimization
Heinz College of Information Systems and Public Policy, Carnegie Mellon University(卡内基梅隆大学海因茨信息系统与公共政策学院);Machine Learning Department, Carnegie Mellon University(卡内基梅隆大学机器学习系);Department of Statistics and Data Science, Carnegie Mellon University(卡内基梅隆大学统计与数据科学系)
针对分布鲁棒优化中歧义集几何不匹配导致决策保守的问题,提出DT-DRO方法,利用校准数据调整歧义集,经理论推导和实验验证可提升决策质量。
2026-10-09 cs.LG math.OC stat.ML
Minimizing the Probability of Lifetime Ruin Under Ambiguity Aversion
我们确定的最优稳健投资策略的个人谁的目标在一个给定的消费率,并寻求最小化终身破产的概率时,她没有完全的信心,风险资产的漂移。利用随机控制,我们将价值函数刻画为一个相关的Hamilton-Jacobi-Bellman(HJB)方程的唯一经典解,得到了最优投资和漂移失真的反馈形式,并讨论了它们对各种模型参数的依赖性.在分析HJB方程时,我们利用Perron方法建立了黏性解的存在唯一性,然后利用Cole-Hopf变换得到的一个等价的凸问题来提升正则性.我们证明了原始值函数可能会失去凸性的一类参数和Isaacs条件可能失败。数值例子也被包括来说明我们的结果。
2014-11-03 math.OC math.PR q-fin.PM
Robust Portfolio Selection under State-dependent Confidence Set
本文在状态依赖置信集框架下研究模糊厌恶投资者的鲁棒投资组合选择问题,通过贝叶斯学习和HJBI方程求解得到半解析形式的最优策略,并揭示模糊厌恶导致更保守的投资行为而学习会提高风险敞口。
2024-09-29 math.OC
Preference Elicitation and Robust Optimization with Multi-Attribute Quasi-Concave Choice Functions
University of Southampton(南安普顿大学)
决策者的偏好往往被捕获的一些选择功能,用于排名的前景。在本文中,我们考虑在多属性前景空间的选择函数的模糊性。我们的主要结果是一个强大的偏好模型,其中最佳决策是基于最坏情况下的选择功能,从一个模糊集,通过与成对比较的前景偏好启发。不同于现有的作品在该地区,我们的重点是准凹选择功能,而不是凹功能,这使我们能够涵盖广泛的效用/风险偏好问题,包括多属性的期望效用和$S$形的期望风险偏好。稳健选择函数是递增的和准凹的,但不一定是平移不变的,这是货币风险度量的一个关键属性。提出了两种分别基于拟凹函数的支持函数和水平函数的方法来构造最大最小偏好鲁棒优化模型的易于处理的公式。前者产生一个混合整数线性规划问题,而后者相当于解决一系列凸风险最小化问题。为了评估所提出的鲁棒偏好优化模型和数值方案的有效性,我们将其应用于安全预算分配问题,并报告了一些初步的实验结果。
2018-05-17 cs.AI cs.IR math.OC
A Unified Framework for Rank-based Loss Minimization
本文提出了一种基于近端交替方向乘子法的统一框架,用于优化基于排名的损失,证明了算法在温和条件下的收敛性,并通过实验验证了其有效性和效率。
2024-01-03 math.OC
Reward Design in Risk-Taking Contests
遵循Seel和Strack的冒险模型,$n$玩家决定何时停止私下观察到的漂移和吸收为零的布朗运动。然后,他们根据他们的停止水平进行排名,并获得与排名相关的奖励。我们研究的问题,主要是谁的目的是诱导一个理想的均衡性能的球员,通过选择有多少奖励归因于每个等级。具体来说,我们确定最佳的奖励计划感兴趣的校长在平均性能和性能在给定的排名。虽然前者可以与洛伦兹意义上的奖励不平等有关,但后者可以有一个令人惊讶的形状。
2021-11-08 econ.GN math.OC q-fin.EC