Fugu-MT 論文翻訳(概要): Neural Options Pricing

論文の概要: Neural Options Pricing

arxiv url: http://arxiv.org/abs/2105.13320v1
Date: Thu, 27 May 2021 17:22:30 GMT
ステータス: 処理完了
システム内更新日: 2021-05-28 15:56:43.956450
Title: Neural Options Pricing
Title（参考訳）: 神経オプションの価格設定
Authors: Timothy DeLise
Abstract要約: ニューラルSDEを普遍的伊藤プロセス近似器として扱う。理論的オプションの価格を数値的に計算する。学習モデルによって示唆されるオプション価格の誤差は、ワッサーシュタイン距離計量によって境界付けられると推測される。
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 research investigates pricing financial options based on the traditional martingale theory of arbitrage pricing applied to neural SDEs. We treat neural SDEs as universal It\^o process approximators. In this way we can lift all assumptions on the form of the underlying price process, and compute theoretical option prices numerically. We propose a variation of the SDE-GAN approach by implementing the Wasserstein distance metric as a loss function for training. Furthermore, it is conjectured that the error of the option price implied by the learnt model can be bounded by the very Wasserstein distance metric that was used to fit the empirical data.
Abstract（参考訳）: 本研究は,ニューラルsdesに適用される従来の仲裁価格理論に基づく金融オプションについて検討する。我々はニューラルSDEを普遍的な It\^o プロセス近似器として扱う。このようにして、すべての仮定を基礎となる価格プロセスで持ち上げ、理論的オプション価格を数値的に計算することができる。本稿では,学習用損失関数としてワッサーシュタイン距離計を実装したSDE-GAN手法のバリエーションを提案する。さらに、学習者モデルによって示唆されるオプション価格の誤差は、経験的データに適合するために使われた非常にワッサーシュタイン距離計量によって境界付けられると推測される。

関連論文リスト

Rejection via Learning Density Ratios [50.91522897152437]
拒絶による分類は、モデルを予測しないことを許容する学習パラダイムとして現れます。そこで我々は,事前学習したモデルの性能を最大化する理想的なデータ分布を求める。私たちのフレームワークは、クリーンでノイズの多いデータセットで実証的にテストされます。
論文参考訳（メタデータ） (2024-05-29T01:32:17Z)
Neural Network Learning of Black-Scholes Equation for Option Pricing [0.0]
Black-Scholes方程式は、オプション価格モデルを提供するパラボリック偏微分方程式である。そこで本研究では,ニューラルネットワークに基づくブラックスクール方程式の解法を提案する。
論文参考訳（メタデータ） (2024-05-09T13:57:28Z)
A time-stepping deep gradient flow method for option pricing in (rough) diffusion models [0.0]
拡散モデルにおける欧州オプションの価格設定のための新しいディープラーニングアプローチを開発する。提案手法は,大額の金銭に対するオプション価格の振舞いを尊重し,オプション価格の既知境界に固執する。
論文参考訳（メタデータ） (2024-03-01T18:46:26Z)
Deep Equilibrium Based Neural Operators for Steady-State PDEs [100.88355782126098]
定常PDEに対する重み付けニューラルネットワークアーキテクチャの利点について検討する。定常PDEの解を直接解くFNOアーキテクチャの深い平衡変種であるFNO-DEQを提案する。
論文参考訳（メタデータ） (2023-11-30T22:34:57Z)
Efficient Neural PDE-Solvers using Quantization Aware Training [71.0934372968972]
量子化は、性能を維持しながら推論の計算コストを下げることができることを示す。 4つの標準PDEデータセットと3つのネットワークアーキテクチャの結果、量子化対応のトレーニングは、設定と3桁のFLOPで機能することがわかった。
論文参考訳（メタデータ） (2023-08-14T09:21:19Z)
PDE+: Enhancing Generalization via PDE with Adaptive Distributional Diffusion [66.95761172711073]
ニューラルネットワークの一般化は、機械学習における中心的な課題です。本稿では、入力データを調整することに集中するのではなく、ニューラルネットワークの基盤機能を直接拡張することを提案する。私たちはこの理論的フレームワークを、$textbfPDE+$$textbfPDE$ with $textbfA$daptive $textbfD$istributional $textbfD$iffusionとして実践しました。
論文参考訳（メタデータ） (2023-05-25T08:23:26Z)
Exponential Family Model-Based Reinforcement Learning via Score Matching [97.31477125728844]
有限水平表層強化学習(RL)のための楽観的モデルベースアルゴリズムSMRLを提案する。 SMRLは、リッジ回帰によるモデルパラメータの効率的な推定を可能にする非正規化密度推定手法であるスコアマッチングを用いる。
論文参考訳（メタデータ） (2021-12-28T15:51:07Z)
Latent Time Neural Ordinary Differential Equations [0.2538209532048866]
本研究では,NODE における不確実性をモデル化するための新しい手法を提案する。また、各データポイントが終末時間に異なる後続分布を持つことができる適応遅延時間NODE(ALT-NODE)を提案する。本研究では,合成画像と実世界の画像分類データを用いた実験により,不確実性とロバスト性をモデル化する手法の有効性を実証する。
論文参考訳（メタデータ） (2021-12-23T17:31:47Z)
Improving Robustness and Uncertainty Modelling in Neural Ordinary Differential Equations [0.2538209532048866]
本研究では,NODE における不確実性をモデル化するための新しい手法を提案する。また、各データポイントが終末時間に異なる後続分布を持つことができる適応遅延時間NODE(ALT-NODE)を提案する。本研究では,合成画像と実世界の画像分類データを用いた実験により,不確実性とロバスト性をモデル化する手法の有効性を実証する。
論文参考訳（メタデータ） (2021-12-23T16:56:10Z)
Arbitrage-free neural-SDE market models [6.145654286950278]
我々は、基礎となる金融制約を尊重する欧州オプションブックの非パラメトリックモデルを開発する。株価とオプション価格の離散時系列データからモデルを学習する推論問題について検討する。我々は,SDEシステムのドリフトと拡散のための関数近似器としてニューラルネットワークを用いる。
論文参考訳（メタデータ） (2021-05-24T00:53:10Z)
Upper Confidence Primal-Dual Reinforcement Learning for CMDP with Adversarial Loss [145.54544979467872]
マルコフ決定過程(CMDP)に対するオンライン学習の検討本稿では,遷移モデルから標本化した軌跡のみを必要とする,新しいEmphupper confidence primal-dualアルゴリズムを提案する。我々の分析では、ラグランジュ乗算過程の新たな高確率ドリフト解析を、高信頼強化学習の記念後悔解析に組み入れている。
論文参考訳（メタデータ） (2020-03-02T05:02:23Z)

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。