数学 > 概率
[提交于 2016年3月21日
]
标题: 条件蒙特卡罗:一种变量变换方法
标题: Conditional Monte Carlo: A Change-of-Variables Approach
摘要: 条件蒙特卡洛(CMC)作为一种标准的模拟技术,已被广泛用于具有不连续被积函数的敏感性估计。 在此背景下使用CMC的一个主要限制是,找到确保结果条件期望连续性和可处理性的条件变量通常依赖于具体问题,可能较为困难。 在本文中,我们尝试通过提出一种变量变换方法来克服这一困难,从而在满足广泛类别的不连续被积函数的温和条件下,得到高效的敏感性估计量。 这些估计量不依赖于模拟模型的结构,且问题依赖性较低。 所提出方法的价值通过在金融期权敏感性估计和概率约束优化问题梯度估计中的应用得到了例证。
文献和引用工具
与本文相关的代码,数据和媒体
alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)
演示
推荐器和搜索工具
arXivLabs:与社区合作伙伴的实验项目
arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。
与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。
有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.