Rapports de recherche

L’article constitue un développement des méthodes de machine learning adaptées (notamment) au traitement des modèles de jeux  / contrôle de type champ moyen. Plus précisément, les auteurs proposent deux architectures de réseaux de neurones sur l'espace des mesures de probabilité permettant d’approximer numériquement les solutions des problèmes de champ moyen. Download Attachments LearningDistribution Taille: 3 Mo Téléchargements: 11

Pierre Gruet EDF Lab Saclay 7 boulevard Gaspard Monge 91120 PALAISEAU FRANCE E-mail: pierre (dot) gruet (at) edf (dot) fr Position Research engineer at EDF R&D Developer of the Debian GNU/Linux operating system Research topics Statistics of stochastic processes Stochastic control and optimization Finance of electricity markets Publications Thomas Deschatre, Olivier Féron, and PG:...

Nous considérons un modèle de tarification dynamique, dans lequel une population de clients peut changer à tout moment de contrat en fonction des conditions tarifaires et de caractéristiques propres à chaque client, comme l'inertie (propension à rester chez le même fournisseur). Un fournisseur cherche alors à maximiser son revenu moyen par unité de temps,...

Nous cherchons à résoudre des équations aux dérivées partielles (EDPs) impliquées dans la couverture des risques lorsque l'environnement n'est pas stationnaire. Re-calibrer un modèle de facteurs de risque ou ré-entraîner un modèle pour la résolution chaque fois que les conditions de marché changent est coûteux et insatisfaisant. Reposant sur des réseaux d'opérateurs profonds, notre modèle apprend...

Nous présentons trois nouveaux modèles génératifs pour les séries temporelles reposant sur une discrétisation d'Euler d'équations différentielles stochastiques (EDS). Deux de ces méthodes reposent sur l'adaptation des réseaux adversaires génératifs (GAN) au cadre temporel. Le troisième modèle repose sur un unique réseau de neurone et minimise une distance dédiée entre les distributions de probabilité...

La précision des algorithmes d'apprentissage automatique dédiés à la prévision de séries temporelles financières peut être instable au cours du temps. Nous proposons d'adapter l'agrégation d'experts en ligne pour remédier à cette difficulté. En combinant plusieurs modèles de prévisions, nous construisons un portefeuille qui s'ajuste dynamiquement aux conditions de marché. Nous mettons en évidence...