Minimizing Risk Exposure When the Choice of a Risk Measure Is Ambiguous
Notice bibliographique
Résumé
Since the financial crisis of 2007–2009, there has been a renewed interest in quantifying more appropriately the risks involved in financial positions. Popular risk measures such as variance and value-at-risk have been found inadequate because we now give more importance to properties such as monotonicity, convexity, translation invariance, positive homogeneity, and law invariance. Unfortunately, the challenge remains that it is unclear how to choose a risk measure that faithfully represents a decision maker’s true risk attitude. In this work, we show that one can account precisely for (neither more nor less than) what we know of the risk preferences of an investor/policy maker when comparing and optimizing financial positions. We assume that the decision maker can commit to a subset of the above properties (the use of a law invariant convex risk measure for example) and that he can provide a series of assessments comparing pairs of potential risky payoffs. Given this information, we propose to seek financial positions that perform best with respect to the most pessimistic estimation of the level of risk potentially perceived by the decision maker. We present how this preference robust risk minimization problem can be solved numerically by formulating convex optimization problems of reasonable size. Numerical experiments on a portfolio selection problem, where the problem reduces to a linear program, will illustrate the advantages of accounting for the fact that the choice of a risk measure is ambiguous. This paper was accepted by Yinyu Ye, optimization.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,009 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,005 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».