MARC

 008260126s2025        us                              c    eng  d
■001000017357398
■00520260202103506
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798280748101
■035    ▼a(MiAaPQ)AAI32002703
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a310
■1001  ▼aZheng,  Yuheng.▼0(orcid)0009-0006-8572-7365
■24510▼aTopics  on  Machine  Learning  in  Finance
■260    ▼a[Sl]▼bPrinceton  University▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a386  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-12,  Section:  B.
■500    ▼aAdvisor:  Ait-Sahalia,  Yacine;Fan,  Jianqing.
■5021  ▼aThesis  (Ph.D.)--Princeton  University,  2025.
■520    ▼aIn  recent  years,  artificial  intelligence  (AI)  and  machine  learning  (ML)  have  become  essential  tools  in  financial  markets,  with  applications  spanning  from  high-frequency  trading  to  risk  management.  This  thesis  explores  the  theoretical  foundations  and  practical  implications  of  ML-driven  methods  in  financial  decision-making,  focusing  on  reinforcement  learning,  statistical  factor  models,  and  diffusion  models  with  latent  factors.In  Chapter  2,  we  establish  a  rigorous  theoretical  framework  for  reinforcement  learning  (RL)  in  high-frequency  market  making,  bridging  modern  RL  theory  with  continuous-time  financial  models.  We  analyze  the  effect  of  sampling  frequency  and  uncover  a  tradeoff  between  learning  error  and  sample  complexity.  Extending  to  a  multi-agent  setting,  we  study  a  two-player  general-sum  game  and  show  that  Nash  equilibria  of  the  discrete-time  RL  framework  converge  to  their  continuous-time  counterparts  as  ∆  →  0.  Our  findings  provide  guidance  for  practitioners  selecting  sampling  frequencies  in  high-frequency  financial  decision-making. In  Chapter  3,  we  develop  an  estimation  and  inference  theory  for  principal  component  analysis  (PCA)  under  a  weak  factor  model  with  cross-sectionally  dependent  idiosyncratic  components,  with  the  nearly  minimal  factor  strength  relative  to  the  noise  level  or  signal-to-noise  ratio.  Our  theoretical  innovations  enable  novel  statistical  tests  for  testing  latent  factor  space,  detecting  structural  breaks,  and  estimating  systematic  risks,  with  empirical  validation  revealing  strong  correlations  between  our  test  results  and  macroeconomic  cycles.In  Chapter  4,  we  establish  the  asymptotic  behavior  of  marginal-information  and  full-information  maximum  likelihood  estimators  for  discretely-sampled  continuous-time  diffusion  models  with  latent  factors.  Our  results  demonstrate  that  the  cost  of  latency,  which  we  define  as  the  amount  of  information  lost  when  a  variable  is  latent  instead  of  observed,  depends  on  whether  the  latent  factors  affect  the  drift  or  diffusion  terms.  To  obtain  these  results,  we  employ  filtering  techniques  and  develop  a  new  theory  of  nonlinear  continuous-time  pseudo-filters  based  on  stochastic  partial  differential  equations  (SPDE).  Monte  Carlo  simulations  provide  empirical  support  for  our  theoretical  findings  on  the  cost  of  latency.
■590    ▼aSchool  code:  0181.
■650  4▼aStatistics
■650  4▼aFinance
■650  4▼aMathematics
■653    ▼aDiffusion  models
■653    ▼aFactor  model
■653    ▼aMachine  learning
■653    ▼aMarket  making
■653    ▼aNonlinear  filtering
■653    ▼aReinforcement  learning
■690    ▼a0463
■690    ▼a0508
■690    ▼a0405
■690    ▼a0800
■71020▼aPrinceton  University▼bOperations  Research  and  Financial  Engineering.
■7730  ▼tDissertations  Abstracts  International▼g86-12B.
■790    ▼a0181
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17357398▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서