Resumen

En este documento, consideramos problemas de desigualdad variacional estocástica de vectores (SVVIPs, por sus siglas en inglés). Debido a la existencia de una variable estocástica, el SVVIP puede no tener soluciones en general. Para resolver este problema, empleamos la función de brecha regularizada del SVVIP en la función de pérdida y luego presentamos un modelo de valor en riesgo condicional de bajo riesgo (CVaR). Sin embargo, este modelo de CVaR de bajo riesgo es difícil de resolver con el algoritmo de optimización de restricciones general. Esto se debe a que la función objetivo es una función no suavizante, y la función objetivo contiene una expectativa, la cual no es fácil de calcular. Mediante el uso de la técnica de aproximación del promedio de muestras y una función suavizante, presentamos los problemas de aproximación correspondientes al modelo de CVaR de bajo riesgo para abordar estas dos dificultades relacionadas con el modelo de CVaR de bajo riesgo. Además, para los problemas de aproximación dados, demostramos los resultados de convergencia

• Materias:Big Data Gestión de riesgos Administración de información Red neuronal Teoría de redes
• Subjects:Big Data Risk management Information management Neural network Network Theory
• Palabras claves:Estocástico; Vector; Desigualdad variacional; CVaR; Optimización; Aproximación
• Keywords:Stochastic; Vector; Variational inequality; CVaR; Optimization; Approximation