GRID
基于连续GFlowNets的金融尾部风险场景生成模型，采用混合策略架构和合理性约束，旨在生成多样化且真实的极端风险场景。
时间轴 (近 90 天)
GRID基于连续GFlowNets构建，针对高维、序列化的宏观金融数据引入了混合策略架构和合理性约束两项关键设计。
混合策略架构为每个变量指定不同的分布族，以提高对复杂金融数据的建模能力。
合理性约束确保生成的轨迹在金融意义上现实可行，避免产生不切实际的极端场景。
在三个真实世界危机数据集上的实验表明，GRID在场景多样性、真实性和尾部风险覆盖方面均优于RL和MCMC基线。
GFlowNets按比例采样而非最大化奖励，因此即使奖励代理的样本外准确性较低，模型仍能保持广泛的探索性，对奖励代理不完美具有鲁棒性。
研究在三个真实世界危机上进行了实验，消融实验探讨了预言机架构和分布族选择对连续GFlowNet行为的影响。
在奖励代理不完美的情况下，如何进一步优化混合策略架构和合理性约束仍是开放问题。
实验仅涉及三个危机数据集，更广泛的市场条件和资产类别有待验证。
全部知识事实 (8)
实验仅涉及三个危机数据集，更广泛的市场条件和资产类别有待验证。
50%待验证混合策略架构为每个变量指定不同的分布族，以提高对复杂金融数据的建模能力。
50%待验证合理性约束确保生成的轨迹在金融意义上现实可行，避免产生不切实际的极端场景。
50%待验证在三个真实世界危机数据集上的实验表明，GRID在场景多样性、真实性和尾部风险覆盖方面均优于RL和MCMC基线。
50%待验证GFlowNets按比例采样而非最大化奖励，因此即使奖励代理的样本外准确性较低，模型仍能保持广泛的探索性，对奖励代理不完美具有鲁棒性。
50%待验证GRID基于连续GFlowNets构建，针对高维、序列化的宏观金融数据引入了混合策略架构和合理性约束两项关键设计。
50%待验证在奖励代理不完美的情况下，如何进一步优化混合策略架构和合理性约束仍是开放问题。
50%待验证研究在三个真实世界危机上进行了实验，消融实验探讨了预言机架构和分布族选择对连续GFlowNet行为的影响。
50%