用生成流网络建模金融尾部风险
原文：Discovery of Diverse and Realistic Financial Tail-Risk Using Generative Flow Networks
对罕见、高影响的金融事件进行准确建模，对于稳健的风险管理至关重要。序贯马尔可夫链蒙特卡洛（SMCMC）等基于采样的技术能够生成多样化情景，但对高风险区域的探索效率低下；而深度强化学习（DRL）则收敛于狭窄的情景集合，限制了多样性。我们提出 GRID，它利用生成流网络（GFlowNets）——一种按奖励比例抽取对象的采样器——来系统性地生成多样化且逼真的金融尾部风险情景。在连续 GFlowNets 的基础上，GRID 引入了一种灵活的混合策略架构，针对高维、序贯的宏观金融数据为不同变量设置各自的分布族，并加入合理性约束以保持生成轨迹的逼真性。一个核心的实际优势是对奖励代理不完美的鲁棒性：由于 GFlowNets 是按比例采样而非最大化，即使预言机的样本外准确率很低——这在金融预测中是无法回避的现实——它们仍能保持广泛的探索性。在三次真实世界危机上，GRID 在情景多样性、逼真度和尾部风险覆盖方面均优于 RL 和 MCMC 基线；针对预言机架构和分布族的消融实验，为理解连续 GFlowNet 在噪声奖励下的行为提供了实用洞见。作者：Adir Serruya、Gilad Katz 类别：cs.LG