Robust Multi-Objective Optimization Model for Reserve and Credit Fund Allocation in Banking Under Conditional Value-at-Risk Constraints
Notice bibliographique
Résumé
In the realm of financial management, optimizing the allocation of funds in banking companies is vital to their operational efficiency. Banks manage their funds by allocating them into reserve and credit funds as the main activities of banking. Optimizing these allocations ensures that all assets are effectively utilized. However, real-life optimization problems often involve uncertainty, making deterministic data assumptions insufficient. Robust Optimization is a methodology that addresses these uncertainties by incorporating computational tools to solve optimization problems with uncertain data. The uncertainty approach used in robust optimization is polyhedral sets. In the context of banking, uncertainties influencing the allocation of reserve and credit funds include financial risks and returns. These risks can be quantified using Conditional Value-at-Risk (CVaR), a suitable measure for banking fund allocation due to its ability to accommodate varying risk characteristics under different business conditions. This study focuses on developing an optimization model for reserve and credit fund allocation in banking companies using a Multi-objective Robust CVaR approach with lexicographic, informed by business risk data and credit instruments. The resulting optimization model yields optimal allocations for reserve and credit funds, ensuring efficient asset utilization to support banking operations. This approach offers new perspectives for banks to achieve fund allocations that are not only regulatory compliant but also optimal. The implications of such optimal allocations include mitigating risks associated with reserve fund imbalances and enhancing profitability through optimal credit returns.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| 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 ».