全部版块 我的主页
论坛 经济学人 二区 外文文献专区
1554 43
2022-05-09
英文标题:
《Optimal Control of Conditional Value-at-Risk in Continuous Time》
---
作者:
Christopher W. Miller, Insoon Yang
---
最新提交年份:
2017
---
英文摘要:
  We consider continuous-time stochastic optimal control problems featuring Conditional Value-at-Risk (CVaR) in the objective. The major difficulty in these problems arises from time-inconsistency, which prevents us from directly using dynamic programming. To resolve this challenge, we convert to an equivalent bilevel optimization problem in which the inner optimization problem is standard stochastic control. Furthermore, we provide conditions under which the outer objective function is convex and differentiable. We compute the outer objective\'s value via a Hamilton-Jacobi-Bellman equation and its gradient via the viscosity solution of a linear parabolic equation, which allows us to perform gradient descent. The significance of this result is that we provide an efficient dynamic programming-based algorithm for optimal control of CVaR without lifting the state-space. To broaden the applicability of the proposed algorithm, we propose convergent approximation schemes in cases where our key assumptions do not hold and characterize relevant suboptimality bounds. In addition, we extend our method to a more general class of risk metrics, which includes mean-variance and median-deviation. We also demonstrate a concrete application to portfolio optimization under CVaR constraints. Our results contribute an efficient framework for solving time-inconsistent CVaR-based sequential optimization.
---
中文摘要:
我们考虑了目标函数中具有条件风险值(CVaR)的连续时间随机最优控制问题。这些问题的主要困难在于时间不一致性,这使我们无法直接使用动态规划。为了解决这个问题,我们将其转化为一个等价的双层优化问题,其中内部优化问题是标准随机控制。此外,我们还提供了外部目标函数凸可微的条件。我们通过Hamilton-Jacobi-Bellman方程计算外目标的值,并通过线性抛物方程的粘性解计算其梯度,这允许我们执行梯度下降。这个结果的意义在于,我们在不提升状态空间的情况下,为CVaR的最优控制提供了一种有效的基于动态规划的算法。为了扩大该算法的适用性,我们提出了在关键假设不满足相关次优界的情况下的收敛近似方案。此外,我们将我们的方法扩展到一类更一般的风险度量,包括均值-方差和中值-偏差。我们还展示了CVaR约束下投资组合优化的具体应用。我们的结果为解决基于时间不一致CVaR的序列优化问题提供了一个有效的框架。
---
分类信息:

一级分类:Mathematics        数学
二级分类:Optimization and Control        优化与控制
分类描述:Operations research, linear programming, control theory, systems theory, optimal control, game theory
运筹学,线性规划,控制论,系统论,最优控制,博弈论
--
一级分类:Computer Science        计算机科学
二级分类:Systems and Control        系统与控制
分类描述:cs.SY is an alias for eess.SY. This section includes theoretical and experimental research covering all facets of automatic control systems. The section is focused on methods of control system analysis and design using tools of modeling, simulation and optimization. Specific areas of research include nonlinear, distributed, adaptive, stochastic and robust control in addition to hybrid and discrete event systems. Application areas include automotive and aerospace control systems, network control, biological systems, multiagent and cooperative control, robotics, reinforcement learning, sensor networks, control of cyber-physical and energy-related systems, and control of computing systems.
cs.sy是eess.sy的别名。本部分包括理论和实验研究,涵盖了自动控制系统的各个方面。本节主要介绍利用建模、仿真和优化工具进行控制系统分析和设计的方法。具体研究领域包括非线性、分布式、自适应、随机和鲁棒控制,以及混合和离散事件系统。应用领域包括汽车和航空航天控制系统、网络控制、生物系统、多智能体和协作控制、机器人学、强化学习、传感器网络、信息物理和能源相关系统的控制以及计算系统的控制。
--
一级分类:Quantitative Finance        数量金融学
二级分类:Portfolio Management        项目组合管理
分类描述:Security selection and optimization, capital allocation, investment strategies and performance measurement
证券选择与优化、资本配置、投资策略与绩效评价
--

---
PDF下载:
-->
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

全部回复
2022-5-9 16:33:12
连续时间条件风险值的最优控制*Christopher W.Miller+Inson Yang摘要我们考虑了目标中具有条件风险价值(CVaR)的连续时间随机最优控制问题。这些问题的主要困难在于时间不一致性,这使我们无法直接使用动态规划。为了解决这个问题,我们将其转化为一个等价的双层优化问题,其中内部优化问题是标准随机控制。此外,我们还提供了外部目标函数凸且可微的条件。我们通过Hamilton-Jacobi-Bellman方程计算外目标的值,并通过线性抛物方程的粘性解计算其梯度,这使我们能够进行梯度下降。这一结果的意义在于,我们提供了一种有效的基于动态规划的算法,在不提升状态空间的情况下对CVaR进行优化控制。为了扩大该算法的适用性,我们在关键假设不成立的情况下提出了收敛的近似方案,并给出了相关次优界的特征。此外,我们将我们的方法扩展到更一般的风险度量类别,包括均值-方差和中值-偏差。我们还将展示CVaR约束下投资组合优化的具体应用。我们的结果为解决基于时间不一致CVaR的序列优化提供了一个有效的框架。关键词。条件风险值、风险度量、随机最优控制、时间不一致性、Hamilton-Jacobi-Bellman方程、粘性解、动态规划1简介在过去二十年中,条件风险值(CVaR)作为风险管理工具受到了极大关注。
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

2022-5-9 16:33:15
CVaR在最坏情况下损失情景的一定百分比范围内衡量预期值。更具体地说,随机变量X(其分布没有概率原子)的CVaR定义为asCVaRα(X):=E[X | X≥ VaRα(X)],α∈ (0,1),其中X(具有累积分布函数FX)的风险值(VaR)由VaRα(X):=inf{X给出∈ R | FX(x)≥ α}.*我们要感谢Lawrence C.Evans教授就粘度解的唯一性进行了有益的讨论。+加州大学伯克利分校数学系(miller@math.berkeley.edu).由NSF GRFP部分资助,资助号为DGE 1106400谢明南加州大学电气工程系(insoonya@usc.edu).部分由NSF根据CPS:部队(CNS1239166)提供支持。条件风险值的最优控制2换句话说,VaR等于(1- α) 损失分布的最坏情况分位数,而CVA等于该分位数内损失的条件预期。当分布具有概率原子时,应进一步定义CVaR的定义(见[54])。请注意,这两种功能只有在“坏事件”发生时才会受到惩罚。虽然VaR和CVaR都是风险度量,但只有CVaR在Artzneret等人的意义上是一致的。[2]。此外,CVaR还考虑了损失超过VaR的尾部事件的可能性。事实上,对VaR的一个常见批评源于它无法区分VaR之外的情况[54]。
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

2022-5-9 16:33:18
由于其优越的数学性质和实际意义,CVARC在风险管理中得到了广泛的应用。特别是,使用CVAR函数的静态或单阶段优化可以通过凸规划和线性规划方法有效地执行[53,40]。随着CVaR优化算法的进步,这种风险度量已被证明在各种金融和工程应用中有用。当决策可以分为多个阶段时,CVaR的动态或顺序优化通常是令人感兴趣的。在这样一个最优控制设置中,我们可以在某个时间根据截至该时间的观测信息来优化控制动作。这种动态控制方法有效地利用了在不确定性条件下决策过程中收集的信息。工程和金融领域不断出现的动态风险管理问题(例如[49,63])也促使人们需要有效的CVaR最优控制工具。涉及CVaR的最优控制的主要挑战来自其时间不一致性[3]。例如,今天构建的明天最优策略在明天考虑时不再是最优的,因为CVaR不是时间一致的风险度量。从数学上讲,这种时间不一致性使我们无法直接应用动态规划,这与涉及马尔可夫风险度量[55,14,57]或风险敏感标准[30,23]的问题相反。为了克服这一困难,人们提出了几种方法。[6]提出了一种离散时间离散状态马尔可夫决策过程(MDP)动态规划的状态空间提升方法。[48,16]中开发了另一种提升方法和相关算法,该方法依赖于所谓的CVaR分解定理[48]。
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

2022-5-9 16:33:21
该方法使用CVaR的双重表示,因此在求解相关Bellman方程时,需要在概率密度空间上进行优化。该优化问题可以在离散时间和有限离散状态MDP中有效解决。然而,由于密度空间是有限维的,在(不可数的)连续状态最优控制问题中,它变得难以计算。在[27]中,针对风险感知离散时间有限状态MDP开发了一种不同的方法,该方法基于占领措施。由于由此产生的有限维优化问题的非凸性,该方法使用逐次线性近似程序。在本文中,我们提出了一种新的方法来解决涉及CVaR的连续时间和连续空间最优控制问题。通过使用[53]中最初提出的所谓CVaR的极值表示,我们将最优控制问题转化为两层优化问题,其中外部优化问题是凸的,内部优化问题是标准随机最优控制。为了避免提升状态空间,我们提出了一种基于梯度下降的方法来解决外部优化问题。具体地说,我们证明了外目标函数的可微性,并在一定近似下给出了其梯度的概率解释。在统计估计的稳定性和优化程序的简单性方面,VaR和CVaR之间更详细的比较可以在[59]中找到。这种提升方法最近在[29]中被推广到半马尔可夫决策过程,并在制造系统的应用中得到简化[1]。
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

2022-5-9 16:33:25
请注意,我们的方法不同之处在于,我们通过梯度下降解决相关的外部优化问题,从而避免扩展状态空间,从而总体上降低了计算复杂性。条件风险值的最优控制3为了开发一种计算效率高且稳定的基于梯度下降的方法,必须能够计算目标的值和梯度。外部目标值可以通过解决内部问题来计算:我们展示了一种动态规划或等效的哈密顿-雅可比-贝尔曼(HJB)方法来解决内部问题。更重要的是,我们证明了在一定条件下,外目标函数的梯度可以作为关联线性抛物方程的粘性解,我们称之为梯度偏微分方程(PDE)。这两个偏微分方程特征完善了所提出的基于梯度下降的双层优化方法。在证明主要结果时,我们使用了两个重要的假设。一个是外目标函数的半腔,另一个是HJB方程的一致抛物性。我们构造了收敛的近似方案,在需要时可以放松这些假设。对于近似的理论(和实际)含义,我们给出了最优外部目标值和扰动问题的外部目标值之间的差距的界限。在本文的最后一部分,我们展示了我们的方法在一个受CVaR约束的最优投资问题中的实际实现。据我们所知,这是一个连续时间内受尾部风险约束的动态投资组合优化问题的首次解决方案。
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

点击查看更多内容…
相关推荐
栏目导航
热门文章
推荐文章

说点什么

分享

扫码加好友,拉您进群
各岗位、行业、专业交流群