MétaCan
Menu
Retour à la cohorte
Enregistrement W2891732023 · doi:10.1287/moor.2020.1101

Time-Consistent Conditional Expectation Under Probability Distortion

2021· preprint· en· W2891732023 sur OpenAlex
Jin Ma, Ting‐Kam Leonard Wong, Jianfeng Zhang

Pourquoi ce travail est dans la base

Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.

Notice bibliographique

RevueMathematics of Operations Research · 2021
Typepreprint
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueStochastic processes and financial applications
Établissements canadiensUniversity of Toronto
Organismes subventionnairesNational Science Foundation
Mots-clésConditional expectationNonlinear systemMathematicsConditional probabilityConditional probability distributionDistortion (music)Regular conditional probabilityApplied mathematicsConditional varianceMathematical economicsRandom variableEconometricsComputer scienceStatisticsProbability mass functionPhysics

Résumé

récupéré en direct d'OpenAlex

We introduce a new notion of conditional nonlinear expectation under probability distortion. Such a distorted nonlinear expectation is not subadditive in general, so it is beyond the scope of Peng’s framework of nonlinear expectations. A more fundamental problem when extending the distorted expectation to a dynamic setting is time inconsistency, that is, the usual “tower property” fails. By localizing the probability distortion and restricting to a smaller class of random variables, we introduce a so-called distorted probability and construct a conditional expectation in such a way that it coincides with the original nonlinear expectation at time zero, but has a time-consistent dynamics in the sense that the tower property remains valid. Furthermore, we show that in the continuous time model this conditional expectation corresponds to a parabolic differential equation whose coefficient involves the law of the underlying diffusion. This work is the first step toward a new understanding of nonlinear expectations under probability distortion and will potentially be a helpful tool for solving time-inconsistent stochastic optimization problems.

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.

Prédiction distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: Théorique ou conceptuel
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,753
Score d'incertitude au seuil0,812

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,166
Tête enseignante GPT0,347
Écart entre enseignants0,182 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle