PulseAugur
中
实时 01:39:09
English(EN) Yield Curves Dynamics Using Variational Autoencoders Under No-arbitrage

AI框架在无套利条件下改进收益率曲线预测

作者 PulseAugur 编辑部 · [2 个来源] ·

研究人员开发了一种新颖的物理信息生成框架来模拟收益率曲线动态，解决了深度学习的灵活性与固定收益建模的理论约束之间的冲突。提出的两阶段架构，包括具有动态水平注入的学生t条件变分自编码器（CVAEsT+LS）和受无套利偏微分方程惩罚的神经随机微分方程，显著降低了预测误差。该方法在预测各种宏观经济制度和货币的期限结构方面表现出优越性能，优于HJM等传统模型。 AI

影响 增强了期限结构预测的金融建模准确性和情景生成能力。

排序理由 该集群包含一篇学术论文，详细介绍了使用AI进行金融建模的新方法。

在 arXiv stat.ML 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

AI框架在无套利条件下改进收益率曲线预测

报道来源 [2]

  1. arXiv stat.ML TIER_1 English(EN) · Fusheng Luo, H'elyette Geman ·

    无套利条件下使用变分自编码器分析收益率曲线动态

    arXiv:2605.12764v1 Announce Type: cross Abstract: This paper introduces a physics-informed generative framework that resolves the fundamental conflict between the statistical flexibility of deep learning and the rigorous theoretical constraints of fixed-income modeling. We demons…

  2. arXiv stat.ML TIER_1 English(EN) · H'elyette Geman ·

    使用无套利条件下变分自编码器的收益率曲线动态分析

    This paper introduces a physics-informed generative framework that resolves the fundamental conflict between the statistical flexibility of deep learning and the rigorous theoretical constraints of fixed-income modeling. We demonstrate that standard generative models and unconstr…

相关实体

相关话题