Нейросети на службе опционных трейдеров: ценообразование и хеджирование в условиях неполных рынков

Для опциона Equinox с параметрами $B=1$, $P=0.8$, $R=1$, $T=2$, $K=1$ и $X_0=1$ нейросетевое хеджирование демонстрирует эмпирические распределения прибыли и убытков, отражающие вариативность финансовых результатов при данной стратегии.

Новая методика, основанная на глубоком обучении, позволяет одновременно оценивать стоимость и формировать хеджирующие стратегии для европейских опционов даже в ситуациях, когда идеальное хеджирование невозможно.

За гранью «Подделка или нет»: Новый подход к выявлению изображений, созданных ИИ

На основе анализа данных из AIGCDetectBenchmark, модель успешно выявила подтипы сгенерированных подделок, что подтверждается визуализацией обученных представлений посредством t-SNE проекций, демонстрирующих соответствие между кластерами, выделенными моделью, её бинарными предсказаниями о подлинности и фактическими методами генерации.

Исследователи предлагают метод, позволяющий надежно определять, было ли изображение сгенерировано искусственным интеллектом, даже если модель, создавшая его, ранее не встречалась.

Умные модели: как добиться точности, не тратя ресурсы на разметку данных

Закономерность масштабирования, установленная для набора данных EmoBank, демонстрирует высокую степень соответствия ($R^2 = 0.848$) при значениях параметров $\hat{\alpha} = 0.297$, $\hat{a} = 0.287$ и $\hat{b} = 0.042$, что указывает на предсказуемость поведения системы в различных масштабах.

Новый подход позволяет повысить эффективность больших языковых моделей при ограниченном количестве размеченных данных, используя комбинацию тонкой настройки и последующей коррекции.