빠른 재무작업을 위한 메트로폴리스 헤이스팅 프레임워크

초록

본 논문은 기존 재무작업(Rerandomization)의 비효율적인 거부 샘플링을 메트로폴리스‑헤이스팅(MH) 기반의 쌍교환 마크오프 체인과 추가적인 중요도 재표본(Sampling‑Importance Resampling) 단계로 대체한다. 제안된 PSRSRR 알고리즘은 허용 집합 𝑊ₐ 위에서 균등하게 샘플을 생성하면서도 10배에서 10 000배까지 속도를 높인다. 이 과정에서 정량적 정리와 정지 규칙을 제공해 이론적 보장을 유지하고, 시뮬레이션 및 실제 데이터 분석을 통해 추정 효율성과 유효성을 검증한다.

상세 분석

이 연구는 재무작업의 핵심 문제인 “수용 가능한 할당 집합 𝑊ₐ 에 대해 균등하게 샘플링하는 것”을 두 단계로 해결한다. 첫 번째 단계는 기존의 무작위 교환이 아닌, 온도 매개변수 T 를 도입한 메트로폴리스‑헤이스팅(MH) 알고리즘을 사용한다. 구체적으로, 현재 할당 W(t) 에서 무작위로 하나의 치료군과 하나의 대조군을 교환해 후보 W* 을 만든 뒤,
\