Optimal prediction of the last r-excursion time of Brownian motion models
Notice bibliographique
Résumé
This paper investigates the optimal prediction of the last $r$-excursion time for a Brownian motion model. The last $r$-excursion time, denoted by $l_{r}$, refers to the right endpoint of the last negative excursion lasting longer than a constant $r>0$. It reduces to the standard last passage time when $r\downarrow 0$. For a Brownian motion with drift $\mu >0$ and volatility $\sigma >0$, our goal is to identify an optimal stopping time that minimizes the ($L_{1}$) distance from the last $r$-excursion time $l_{r}$. We find that the optimal stopping barrier exhibits two distinct structures: a constant barrier (characterized as a solution of a non-linear equation) or a moving barrier (characterized by the unique solution to an integral equation) depending on the ratio $R=\frac{\mu \sqrt{r}}{\sigma }$ which integrates a firm's financial profitability, volatility, and risk tolerance to financial distress. To obtain the optimal stopping time, we examine the smooth fit condition, Lipschitz continuity of the barrier, and probability regularity of the boundary points. As an application in risk management, we develop a decision rule that informs the timing of business expansion and contraction.
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 | 0,000 | 0,000 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 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 ».