报告题目：长期平均CVaR准则的风险敏感马氏决策过程
报 告 人：夏俐 中山大学管理学院教授
工作单位：中山大学
报告时间：2026-5-28 8:00-9:30
报告地点：数信楼二楼会议室
报告摘要：
条件风险价值（CVaR）是金融领域广泛使用的风险指标。然而，CVaR 的动态优化问题极具难度，因为其无法纳入标准马尔可夫决策过程（MDP）框架，且动态规划原理不再成立。本讲座从基于灵敏度优化的视角，研究长期平均 CVaR 准则下的无限阶段离散时间 MDP问题。通过引入伪 CVaR 指标，将原问题重构为双层 MDP 模型，并推导出CVaR 差分公式，可量化任意两个策略下的长期 CVaR 的差异。证明了确定性策略的最优性，得到 CVaR 的贝尔曼局部最优方程（局部最优策略的充要条件、全局最优策略的必要条件），并给出CVaR 导数公式以提供更多的灵敏度信息，证明了最优伪 CVaR 函数关于分位数的分段线性与分段凸性。进一步设计策略迭代型算法以高效优化 CVaR指标，证明其在混合策略空间收敛至局部最优；结合双层 MDP 问题形式与临界点的灵敏度分析，提出全局最优算法并证明其收敛性。最后，将主要结果拓展至均值与 CVaR 的联合优化，并通过投资组合管理的数值实验验证结论。本研究从灵敏度视角为 CVaR 动态优化提供了新的思路。
报告人简介：
夏俐，中山大学管理学院教授，长期从事马氏决策过程、强化学习、排队论、随机博弈等理论研究及其在能源、金融等领域的应用研究。在Production and Operations Management、Automatica、IEEE Transactions on Automatic Control、Mathematics of Operations Research等本领域顶级期刊发表论文20余篇，主持5项国家自然科学基金项目（1项重点）、3项国家重点研发计划子课题、多项华为&腾讯等企业研发项目。担任IEEE Transactions on Automation Science and Engineering、Discrete Event Dynamic Systems等国际权威SCI期刊的副主编（AE），曾两次获教育部高等学校自然科学奖二等奖，独立获得广东省哲学社会科学优秀成果奖等学术奖励。
