Constrained defined-contribution pension management: A reparameterized neural network approach
Pubblicata su AIChronos il · fonte del · Yueman Feng, Wenyuan Li
Questo paper analizza la gestione di pensioni a contribuzione definita (DC) in un mercato finanziario a due fattori, permettendo investimenti in titoli di stato, obbligazioni inflazionate e indici azionari, oltre all'acquisto di assicurazioni sulla vita. A differenza della letteratura tradizionale, il modello considera vincoli di trading generali come l'assenza di short-selling o indebitamento. Per risolvere il problema, gli autori costruiscono mercati artificiali non vincolati e utilizzano una rete neurale riparametrizzata per calcolare i limiti inferiori e superiori della funzione valore primaria tramite trasformazione di dualità. I risultati mostrano che i vincoli di trading alterano significativamente l'accumulo di ricchezza e le strategie di portafoglio, rendendo le soluzioni non vincolate potenzialmente fuorvianti nella pratica.
- Implementazione di una rete neurale riparametrizzata per stimare limiti inferiori e superiori della funzione valore in presenza di vincoli.
- Utilizzo di una trasformazione di dualità per derivare il problema duale del Lagrangiano nel contesto dei mercati finanziari.
- Calibrazione del modello con dati statunitensi tramite metodo di Kalman filter, dimostrando un gap di dualità inferiore rispetto ai benchmark.
- Evidenza che i vincoli di trading (no short-selling, no borrowing) cambiano sostanzialmente le strategie di accumulo di ricchezza e la domanda di assicurazione.
- Sviluppo di una famiglia di mercati artificiali non vincolati in cui i vincoli originali sono soddisfatti regolando i termini di drift degli asset rischiosi.
Perché conta. Sebbene il paper si concentri sulla finanza, l'approccio di riparametrizzazione delle reti neurali per gestire vincoli complessi è rilevante per gli sviluppatori che progettano agenti AI o sistemi locali con risorse limitate, offrendo metodi per incorporare restrizioni operative senza sacrificare la precisione del modello.
Scheda generata automaticamente da un modello AI locale a partire dalla fonte originale: può contenere imprecisioni.