論文の概要: Fast Lower and Upper Estimates for the Price of Constrained Multiple
Exercise American Options by Single Pass Lookahead Search and
Nearest-Neighbor Martingale
- arxiv url: http://arxiv.org/abs/2002.11258v1
- Date: Wed, 26 Feb 2020 02:06:06 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-28 16:02:40.593896
- Title: Fast Lower and Upper Estimates for the Price of Constrained Multiple
Exercise American Options by Single Pass Lookahead Search and
Nearest-Neighbor Martingale
- Title（参考訳）: single pass lookahead searchとneighbor martingaleによる制約付き複数運動アメリカのオプションの価格の高速低値および高値推定
- Authors: Nicolas Essis-Breton and Patrice Gaillardetz
- Abstract要約: この記事では、大きなオプションのクラスである制約付き多重エクササイズアメリカンオプションのクラスについて、高速な下限と上限の見積もりを示す。
低い推定アルゴリズムは、ルックアヘッドサーチの人工知能手法を用いる。
上位推定アルゴリズムは、双対アプローチを用いて、マーチンゲール空間の最も近くで価格をオプションに設定する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This article presents fast lower and upper estimates for a large class of
options: the class of constrained multiple exercise American options. Typical
options in this class are swing options with volume and timing constraints, and
passport options with multiple lookback rights. The lower estimate algorithm
uses the artificial intelligence method of lookahead search. The upper estimate
algorithm uses the dual approach to option pricing on a nearest-neighbor basis
for the martingale space. Probabilistic convergence guarantees are provided.
Several numerical examples illustrate the approaches including a swing option
with four constraints, and a passport option with 16 constraints.
- Abstract（参考訳）: この記事では、大きなオプションのクラスである制約付き多重エクササイズアメリカンオプションのクラスについて、高速な下限と上限の見積もりを示す。
このクラスの典型的なオプションは、ボリュームとタイミングの制約のあるswingオプションと、複数のルックバック権利を持つpassportオプションである。
下方推定アルゴリズムは、ルックアヘッド探索の人工知能法を用いる。
上推定アルゴリズムは、マルチンゲール空間の近距離-近距離基底のオプション価格設定にデュアルアプローチを用いる。
確率収束保証が提供される。
数値的な例としては、4つの制約付きswingオプションと16の制約付きpassportオプションがある。
関連論文リスト
- Optimal Multi-Fidelity Best-Arm Identification [65.23078799972188]
バンディットのベストアーム識別において、アルゴリズムは、できるだけ早く特定の精度で、最高平均報酬の腕を見つけることを任務とする。
マルチフィデリティのベストアーム識別について検討し、低コストで低いフィデリティ(正確な平均推定値を持たない)で腕をサンプリングすることを選択できる。
この問題に対処するためのいくつかの方法が提案されているが、その最適性は、特に最適な腕を特定するのに必要な総コストのゆるやかな下限のため、未解決のままである。
論文 参考訳（メタデータ） (2024-06-05T08:02:40Z) - Efficient Prompt Optimization Through the Lens of Best Arm Identification [50.56113809171805]
この作業は、明示的な予算制約の下でプロンプト選択を効率的に行うための、原則化されたフレームワークであるTRIPLEを提供する。
マルチアームバンディット(MAB)における即時最適化と固定予算ベストアーム識別(BAI-FB)の間に確立された新しい接続上に構築されている。
論文 参考訳（メタデータ） (2024-02-15T05:31:13Z) - Combinatorial Stochastic-Greedy Bandit [79.1700188160944]
我々は,選択した$n$のアームセットのジョイント報酬以外の余分な情報が観測されない場合に,マルチアームのバンディット問題に対する新規グリーディ・バンディット(SGB)アルゴリズムを提案する。
SGBは最適化された拡張型コミットアプローチを採用しており、ベースアームの大きなセットを持つシナリオ用に特別に設計されている。
論文 参考訳（メタデータ） (2023-12-13T11:08:25Z) - Worst-case Performance of Popular Approximate Nearest Neighbor Search
Implementations: Guarantees and Limitations [20.944914202453962]
グラフに基づく近似近傍探索アルゴリズムの最悪の性能について検討する。
DiskANNの場合、その"スロープリプロセッシング"バージョンは、ほぼ近隣の検索クエリを確実にサポートしている。
本稿では,「理にかなった」精度を達成するのに要する経験的なクエリ時間が,インスタンスサイズにおいて線形であるインスタンス群を提案する。
論文 参考訳（メタデータ） (2023-10-29T19:25:48Z) - Thompson Exploration with Best Challenger Rule in Best Arm
Identification [66.33448474838342]
本稿では,バンドイットフレームワークにおける固定信頼度最良腕識別問題について検討する。
我々は、トンプソンサンプリングと、ベストチャレンジャールールとして知られる計算効率の良いアプローチを組み合わせた新しいポリシーを提案する。
論文 参考訳（メタデータ） (2023-10-01T01:37:02Z) - Submodular Minimax Optimization: Finding Effective Sets [37.77367453380923]
本稿では,全ての応答に対して有効となる集合を求める問題である,部分モジュラー最小最適化の特性について述べる。
また、ダウンストリーム機械学習アプリケーションに対して、minimaxサブモジュール最適化が堅牢なソリューションを提供する方法を実証する。
論文 参考訳（メタデータ） (2023-05-26T13:17:20Z) - Best Arm Identification for Stochastic Rising Bandits [84.55453174601826]
SRB(Rising Bandits)は、選択される度に選択肢の期待される報酬が増加する、シーケンシャルな意思決定の問題をモデル化する。
本稿では,SRBの固定予算ベストアーム識別(BAI)問題に焦点をあてる。
R-UCBE と R-SR の2つのアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-02-15T08:01:37Z) - Efficient and Accurate Top-$K$ Recovery from Choice Data [1.14219428942199]
レコメンデーションシステムのようないくつかのアプリケーションでは、統計学者は主に大量のアイテムから上位のアイテムの集合を回収することに興味がある。
そこで本稿では,K$-recoveryの高速かつ高精度なランキングアルゴリズムとして,選択に基づくボルダカウントアルゴリズムを提案する。
選択に基づくボルダカウントアルゴリズムは,多種多様なランダム効用モデルの下で,上位$Kの回収に最適なサンプル複雑性を有することを示す。
論文 参考訳（メタデータ） (2022-06-23T22:05:08Z) - Adversarial Option-Aware Hierarchical Imitation Learning [89.92994158193237]
提案するOption-GAILは,遠隔地平線でスキルを学ぶための新しい手法である。
Option-GAILの鍵となる考え方は、タスク階層をオプションでモデル化し、生成的敵最適化を通じてポリシーを訓練することである。
実験によると、Option-GAILはさまざまなタスクにおいて、他のタスクよりも一貫してパフォーマンスが向上している。
論文 参考訳（メタデータ） (2021-06-10T06:42:05Z) - Quantum option pricing using Wick rotated imaginary time evolution [0.0]
提案アルゴリズムは、初期状態を作成し、オプション価格を表現し、既存の仮想時間シミュレーションアルゴリズムを用いてそれを進化させる。
我々は,概念実証として,特定の仮想時間進化アルゴリズムを用いて,ヨーロッパの選択肢に対するアルゴリズムを数値的に検証する。
提案手法はハイブリッド変分アルゴリズムを用いており, 短期量子コンピュータに関係していると考えられる。
論文 参考訳（メタデータ） (2021-01-12T03:39:43Z) - Tabu-driven Quantum Neighborhood Samplers [2.9934511331003555]
組合せ最適化は、量子コンピューティングを対象とする重要なアプリケーションである。
短期的なデバイスで利点を享受する一つの選択肢は、それらを古典と組み合わせて使うことである。
このようなハイブリッド環境において,QAOAはアルゴリズム探索のための柔軟なツールであることを示す。
論文 参考訳（メタデータ） (2020-11-18T19:30:27Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。