Equilibrium Strategies for Alpha-Maxmin Expected Utility Maximization
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.
Notice bibliographique
Résumé
In the existing literature of robust utility maximization with ambiguity, agents are generally assumed to be extremely ambiguity-averse as they tend to only consider expected payoffs in the worst-case scenario. However, experimental studies have shown that agents' attitude to ambiguity is not systematically negative and can even be ambiguity-seeking when they consider themselves knowledgeable or competent. To conceptually distinguish between an agent's perception of ambiguity and ambiguity aversion, the so-called $\alpha$-maxmin expected utility ($\alpha$-MEU) was proposed in the economics literature as a linear aggregation of the most and least favorable prior beliefs. Although the axiomatic characterization of $\alpha$-MEU has been well studied, there has been little work on the benchmark maximization problem for $\alpha$-MEU. The main difficulty stems from the dynamic inconsistency of two distinct extreme priors and nonconvexity (and nonconcavity) of the value function. In this paper, we study the maximization problem for $\alpha$-MEU and solve for the equilibrium strategies of open-loop type. Under logarithmic risk preference, we obtain the explicit form of equilibrium investment strategies, which involves a two-dimensional system of fully coupled quadratic backward stochastic differential equations (BSDE). The main challenge in completing the verification theorem is to study the existence, uniqueness, and stability of this system of BSDE. For this purpose, we consider a general Markov model of the financial market, which leads to a system of quadratic Markovian BSDE. We find that the equilibrium investment strategy becomes more conservative if the agent is more ambiguity-averse or the agent perceives more ambiguity in the financial market. The equilibrium strategy is close to the classical nonrobust strategy (without ambiguity) if the agent is ambiguity-neutral. As time approaches maturity, ambiguity-seeking (ambiguity-averse) agents adopt more aggressive (conservative) equilibrium strategies. Additionally, the equilibrium strategy of an ambiguity-neutral agent converges to the classical nonrobust strategy at maturity.
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 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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| 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 découle