TL;DR
- چکیده:.
- مونت کارلو تو در تو بهطور گسترده برای تخمین ریسک استفاده میشود،.
- اما کارایی آن به دلیل ناپیوستگی تابع نشانگر و هزینه محاسباتی بالا محدود شده است.
چه اتفاقی افتاد
چکیده:. مونت کارلو تو در تو بهطور گسترده برای تخمین ریسک استفاده میشود،.
اما کارایی آن به دلیل ناپیوستگی تابع نشانگر و هزینه محاسباتی بالا محدود شده است. این مقاله یک روش چند سطحی تودرتو مونت کارلو (MLMC) همراه با پیش ادغام برای تخمین ریسک کارآمد.
را پیشنهاد میکند. ما ابتدا از پیش ادغام برای ادغام یک متغیر تصادفی بیرونی استفاده میکنیم،.
که بهطور موثر ناپیوستگی تابع نشانگر را کنترل میکند،. سپس برآوردگر MLMC را با پیش ادغام برای کاهش هزینه محاسباتی میسازیم.
تجزیه و تحلیل نظری ما ثابت میکند که نرخ همگرایی قوی MLMC همراه با پیش ادغام به. -1 میرسد،.
در مقایسه با -1/2 برای MLMC استاندارد. در نتیجه، ما یک پیچیدگی محاسباتی تقریباً بهینه را بدست میآوریم.
علاوه بر این، روش ما همچنین میتواند پدیده کورتوز بالا ناشی از توابع نشانگر را کنترل کند. عددی آزمایشها تأیید میکنند که MLMC صاف شده با پیش ادغام بهتر از MLMC استاندارد است و هزینه.
محاسباتی بهینه را میتوان به دست آورد. ترکیب روش ما با شبه مونت کارلو عملکرد آن را در ابعاد بالا بیشتر بهبود میبخشد.
کلمات کلیدی: شبیهسازی تودرتو، مونت کارلو چند سطحی، تخمین ریسک، پیش ادغام تجزیه و تحلیل عددی (math. NA) استناد بهعنوان: (یا v1 [math.
NA] برای این نسخه) https:. // شده توسط arXiv از طریق DataCite (در انتظار ثبت نام) تاریخچه ارسال از:.
Yu Xu [مشاهده ایمیل] [v1] جمعه،. 3 آوریل 2026،.
15:. 47:.
03 UTC (71 KB).
چرا مهم است
اهمیت این خبر در این است که روی استفاده واقعی از AI و تصمیمگیری سازمانی اثر میگذارد.
منبع
لینک منبع اصلی در کارت و صفحه مقاله نمایش داده میشود.