論文の概要: Deep Calibration With Artificial Neural Network: A Performance
Comparison on Option Pricing Models
- arxiv url: http://arxiv.org/abs/2303.08760v1
- Date: Wed, 15 Mar 2023 16:57:10 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-16 17:57:37.786139
- Title: Deep Calibration With Artificial Neural Network: A Performance
Comparison on Option Pricing Models
- Title(参考訳): ニューラルネットワークを用いた深部校正:オプション価格モデルにおける性能比較
- Authors: Young Shin Kim, Hyangju Kim, Jaehyung Choi
- Abstract要約: 我々は2つのよく知られたGARCH型オプション価格モデルのパラメータを校正するためにANNを構築した。
我々はモンテカルロシミュレーション(MCS)法で生成されたデータセットを用いてANNを訓練し、最適なパラメータをキャリブレーションする。
その結果、ANNアプローチはMCSを一貫して上回り、訓練後より高速な計算時間を生かしていることがわかった。
- 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 paper explores Artificial Neural Network (ANN) as a model-free solution
for a calibration algorithm of option pricing models. We construct ANNs to
calibrate parameters for two well-known GARCH-type option pricing models:
Duan's GARCH and the classical tempered stable GARCH that significantly improve
upon the limitation of the Black-Scholes model but have suffered from
computation complexity. To mitigate this technical difficulty, we train ANNs
with a dataset generated by Monte Carlo Simulation (MCS) method and apply them
to calibrate optimal parameters. The performance results indicate that the ANN
approach consistently outperforms MCS and takes advantage of faster computation
times once trained. The Greeks of options are also discussed.
- Abstract(参考訳): 本稿では,オプション価格モデルのキャリブレーションアルゴリズムのモデルフリーソリューションとして,ニューラルネットワーク(ANN)について検討する。
我々は,2つのよく知られたGARCH型オプション価格モデル(Duan's GARCH)とBlack-Scholesモデルの制限を著しく改善する古典的テンパレート安定GARCH)のパラメータを校正するために,ANNを構築した。
この技術的難しさを緩和するため,モンテカルロシミュレーション(mcs)法で生成されたデータセットを用いてannを訓練し,最適パラメータの校正に適用した。
その結果、ANNアプローチはMCSを一貫して上回り、訓練後より高速な計算時間を生かしていることがわかった。
オプションのギリシア語も議論されている。
関連論文リスト
- Online Variational Sequential Monte Carlo [56.16884466478886]
我々は,計算効率が高く正確なモデルパラメータ推定とベイジアン潜在状態推定を提供する変分連続モンテカルロ法(VSMC)を構築した。
オンラインVSMCは、パラメータ推定と粒子提案適応の両方を効率よく、完全にオンザフライで実行することができる。
論文 参考訳(メタデータ) (2023-12-19T21:45:38Z) - A Model-Based Machine Learning Approach for Assessing the Performance of
Blockchain Applications [0.0]
ブロックチェーンのパフォーマンスを予測するために、機械学習(ML)モデルベースの手法を使用します。
我々は、最適なブロックチェーン構成を調査できるSalp Swarm Optimization (SO) MLモデルを採用している。
この$k$NNモデルはSVMを5%上回り、ISOは通常のSOに比べて4%の不正確な偏差を減少させることを示した。
論文 参考訳(メタデータ) (2023-09-20T10:39:21Z) - Model-Free Algorithm with Improved Sample Efficiency for Zero-Sum Markov
Games [71.0315408565146]
モデルフリーのステージベースQ-ラーニングアルゴリズムはモデルベースアルゴリズムと同じ$H$依存の最適性を享受できることを示す。
本アルゴリズムは,楽観的値関数と悲観的値関数のペアとして参照値関数を更新するキーとなる新しい設計を特徴とする。
論文 参考訳(メタデータ) (2023-08-17T08:34:58Z) - End-to-End Reinforcement Learning of Koopman Models for Economic
Nonlinear Model Predictive Control [50.0791489606211]
非線形モデル予測制御((e)NMPC)は、すべての状態空間領域において十分正確なシステムモデルを必要とする。
メカニスティックモデルのためのデータ駆動サロゲートモデルは、(e)NMPCの計算負担を軽減するために使用できる。
In this method for end-to-end reinforcement learning of dynamic surrogate model for optimal performance in (e)NMPC applications。
論文 参考訳(メタデータ) (2023-08-03T10:21:53Z) - When to Update Your Model: Constrained Model-based Reinforcement
Learning [50.74369835934703]
モデルベースRL(MBRL)の非遅延性能保証のための新規で一般的な理論スキームを提案する。
続いて導いた境界は、モデルシフトとパフォーマンス改善の関係を明らかにします。
さらなる例では、動的に変化する探索からの学習モデルが、最終的なリターンの恩恵をもたらすことが示されている。
論文 参考訳(メタデータ) (2022-10-15T17:57:43Z) - Solving the optimal stopping problem with reinforcement learning: an
application in financial option exercise [0.0]
我々はモンテカルロシミュレーションを用いて、人工ニューラルネットワークのトレーニングとテストを行うデータ駆動方式を採用している。
我々は、畳み込みニューラルネットワーク(CNN)を用いて価格の歴史全体をマルコフ状態に変換する際に生じる次元問題に対処する別のアーキテクチャを提案する。
論文 参考訳(メタデータ) (2022-07-21T22:52:05Z) - Model Architecture Adaption for Bayesian Neural Networks [9.978961706999833]
我々はBNNを精度と不確実性の両方に最適化する新しいネットワークアーキテクチャサーチ(NAS)を示す。
我々の実験では,探索されたモデルでは,最先端(ディープアンサンブル)と比較して,不確実性と精度が比較できる。
論文 参考訳(メタデータ) (2022-02-09T10:58:50Z) - Which Model To Trust: Assessing the Influence of Models on the
Performance of Reinforcement Learning Algorithms for Continuous Control Tasks [0.0]
アルゴリズムの改善やモデルの改善による最近の進歩の程度は明らかになっていない。
モデル比較のために、一般的に採用されているモデルのセットが確立されている。
結果,モデル性能に有意な差が認められた。
論文 参考訳(メタデータ) (2021-10-25T16:17:26Z) - ANNETTE: Accurate Neural Network Execution Time Estimation with Stacked
Models [56.21470608621633]
本稿では,アーキテクチャ検索を対象ハードウェアから切り離すための時間推定フレームワークを提案する。
提案手法は,マイクロカーネルと多層ベンチマークからモデルの集合を抽出し,マッピングとネットワーク実行時間推定のためのスタックモデルを生成する。
生成した混合モデルの推定精度と忠実度, 統計モデルとルーフラインモデル, 評価のための洗練されたルーフラインモデルを比較した。
論文 参考訳(メタデータ) (2021-05-07T11:39:05Z) - Enhancing Certified Robustness via Smoothed Weighted Ensembling [7.217295098686032]
Smoothed Weighted ENsembling scheme を用いてランダム化スムーズな分類器の性能を向上させる。
SWEENが最適な証明された堅牢性を達成するのに有効であることを示す。
また,SWEENモデルの予測と認証コストを削減するための適応予測アルゴリズムを開発した。
論文 参考訳(メタデータ) (2020-05-19T11:13:43Z) - Learning Gaussian Graphical Models via Multiplicative Weights [54.252053139374205]
乗算重み更新法に基づいて,Klivans と Meka のアルゴリズムを適用した。
アルゴリズムは、文献の他のものと質的に類似したサンプル複雑性境界を楽しみます。
ランタイムが低い$O(mp2)$で、$m$サンプルと$p$ノードの場合には、簡単にオンライン形式で実装できる。
論文 参考訳(メタデータ) (2020-02-20T10:50:58Z)
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。