Bibliographic record
Abstract
Известно, что "локальное" существование оптимального портфеля Марковица, или решение проблемы минимизации локального риска, гарантируется некоторыми специфическими математическими структурами процессов цен базовых активов, называемыми в литературе структурными условиями. В данной работе рассматривается семимартингальная модель рынка с произвольным случайным моментом времени. Этот случайный момент может моделировать момент дефолта фирмы, момент смерти застрахованного лица или момент возникновения некоторого события, которое может повлиять каким-либо образом на модель рынка. При добавлении дополнительной неопределенности в модель рынка посредством введения этого случайного момента структурные условия могут нарушаться, и, следовательно, оптимальный портфель Марковица и другие квадратично оптимальные портфели могут не существовать. Целью работы является исследование влияния этого случайного момента на структурные условия с различных точек зрения. Проведенный анализ позволяет заключить, что, с одной стороны, при некоторых слабых предположениях о модели рынка и случайном моменте структурные условия остаются справедливыми. Более того, приводятся два примера, иллюстрирующие важность этих предположений. С другой стороны, мы описываем модели случайного момента, для которых эти структурные условия сохраняются в любой модели рынка. Эти результаты разработаны отдельно для двух контекстов остановки - включающих один случайный момент и целый класс случайных моментов времени соответственно.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.003 | 0.008 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.002 |
| Science and technology studies | 0.004 | 0.008 |
| Scholarly communication | 0.012 | 0.007 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.003 | 0.003 |
| Insufficient payload (model declined to judge) | 0.040 | 0.014 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".