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
- 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) - Error Analysis of Option Pricing via Deep PDE Solvers: Empirical Study [2.8303660601968152]
我々は、オプション価格設定の実装のためのDeep PDEソルバの有用性に関する実用的な洞察を提供する。
本研究は,Deep PDEソルバの誤りの原因を3つ同定した。
以上の結果から,Deep BSDE法は性能が優れ,オプション仕様の変動に対して頑健であることが示された。
論文 参考訳(メタデータ) (2023-11-13T10:52:44Z) - 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) - Inverting brain grey matter models with likelihood-free inference: a
tool for trustable cytoarchitecture measurements [62.997667081978825]
脳の灰白質細胞構造の特徴は、体密度と体積に定量的に敏感であり、dMRIでは未解決の課題である。
我々は新しいフォワードモデル、特に新しい方程式系を提案し、比較的スパースなb殻を必要とする。
次に,提案手法を逆転させるため,確率自由推論 (LFI) として知られるベイズ解析から最新のツールを適用した。
論文 参考訳(メタデータ) (2021-11-15T09:08:27Z) - 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。
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。