Fugu-MT 論文翻訳(概要): Physics Informed Neural Network for Option Pricing

論文の概要: Physics Informed Neural Network for Option Pricing

arxiv url: http://arxiv.org/abs/2312.06711v1
Date: Sun, 10 Dec 2023 19:38:24 GMT
ステータス: 処理完了
システム内更新日: 2023-12-13 18:48:05.530510
Title: Physics Informed Neural Network for Option Pricing
Title（参考訳）: 物理インフォームドニューラルネットワークによるオプション価格設定
Authors: Ashish Dhiman and Yibei Hu
Abstract要約: 物理インフォームド・ディープラーニングのアプローチをブラック・スコールズ方程式に適用し、アメリカとヨーロッパのオプションを価格に設定する。本モデルは,市場データに対して適切な性能を示しながら,シミュレーションデータ上での価格変動を正確に把握することができる。
参考スコア（独自算出の注目度）: 1.9580473532948401
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We apply a physics-informed deep-learning approach the PINN approach to the Black-Scholes equation for pricing American and European options. We test our approach on both simulated as well as real market data, compare it to analytical/numerical benchmarks. Our model is able to accurately capture the price behaviour on simulation data, while also exhibiting reasonable performance for market data. We also experiment with the architecture and learning process of our PINN model to provide more understanding of convergence and stability issues that impact performance.
Abstract（参考訳）: 物理インフォームド・ディープラーニングのアプローチをブラック・スコールズ方程式に適用し、アメリカとヨーロッパのオプションの価格設定を行う。我々は、シミュレーションと実市場データの両方でアプローチを検証し、分析/数値ベンチマークと比較した。本モデルは,市場データに対して適切な性能を示しながら,シミュレーションデータ上での価格変動を正確に把握することができる。 PINNモデルのアーキテクチャと学習プロセスについても実験を行い、パフォーマンスに影響を与える収束性や安定性の問題をより深く理解する。

関連論文リスト

MetaTrading: An Immersion-Aware Model Trading Framework for Vehicular Metaverse Services [94.61039892220037]
本稿では,車載メタバースにおける拡張現実(AR)サービスの学習モデルを支援するために,メタバースユーザ(MU)にインセンティブを与える新しい没入型モデルトレーディングフレームワークを提案する。動的ネットワーク条件とプライバシの懸念を考慮して、マルチエージェントマルコフ決定プロセスとしてMSPの報酬決定を定式化する。実験により,提案フレームワークは,実AR関連車両データセット上でのARサービスにおいて,オブジェクト検出と分類のための高価値モデルを効果的に提供できることが示されている。
論文参考訳（メタデータ） (2024-10-25T16:20:46Z)
Jump Diffusion-Informed Neural Networks with Transfer Learning for Accurate American Option Pricing under Data Scarcity [1.998862666797032]
本研究は,6つの相互関連モジュールからなる米国オプション価格の包括的枠組みを提案する。このフレームワークは非線形最適化アルゴリズム、解析モデルと数値モデル、ニューラルネットワークを組み合わせて価格性能を向上させる。提案したモデルでは、より深い収益源オプションの価格設定において優れた性能を示す。
論文参考訳（メタデータ） (2024-09-26T17:50:12Z)
Bridging the Sim-to-Real Gap with Bayesian Inference [53.61496586090384]
データからロボットダイナミクスを学習するためのSIM-FSVGDを提案する。我々は、ニューラルネットワークモデルのトレーニングを規則化するために、低忠実度物理プリエンスを使用します。高性能RCレースカーシステムにおけるSIM-to-realギャップのブリッジ化におけるSIM-FSVGDの有効性を実証する。
論文参考訳（メタデータ） (2024-03-25T11:29:32Z)
Human Trajectory Prediction via Neural Social Physics [63.62824628085961]
軌道予測は多くの分野において広く研究され、多くのモデルベースおよびモデルフリーな手法が研究されている。ニューラル微分方程式モデルに基づく新しい手法を提案する。我々の新しいモデル(ニューラル社会物理学またはNSP)は、学習可能なパラメータを持つ明示的な物理モデルを使用するディープニューラルネットワークである。
論文参考訳（メタデータ） (2022-07-21T12:11:18Z)
Batch-Ensemble Stochastic Neural Networks for Out-of-Distribution Detection [55.028065567756066]
Out-of-Distribution(OOD)検出は、機械学習モデルを現実世界のアプリケーションにデプロイすることの重要性から、マシンラーニングコミュニティから注目を集めている。本稿では,特徴量の分布をモデル化した不確実な定量化手法を提案する。バッチアンサンブルニューラルネットワーク(BE-SNN)の構築と機能崩壊問題の克服を目的として,効率的なアンサンブル機構,すなわちバッチアンサンブルを組み込んだ。 We show that BE-SNNs yield superior performance on the Two-Moons dataset, the FashionMNIST vs MNIST dataset, FashionM。
論文参考訳（メタデータ） (2022-06-26T16:00:22Z)
Efficient Model-based Multi-agent Reinforcement Learning via Optimistic Equilibrium Computation [93.52573037053449]
H-MARL (Hallucinated Multi-Agent Reinforcement Learning) は,環境と数回交流した後の平衡政策を学習する。自律運転シミュレーションベンチマークにおいて,本手法を実験的に実証した。
論文参考訳（メタデータ） (2022-03-14T17:24:03Z)
Estimating risks of option books using neural-SDE market models [6.319314191226118]
我々は、仲裁自由なニューラル-SDE市場モデルを用いて、単一基盤上の複数のヨーロッパオプションのジョイントダイナミクスの現実的なシナリオを生成する。提案モデルでは,オプションポートフォリオのバリュー・アット・リスク(VaR)を評価する上で,計算効率が高く,精度も高く,カバー性能も向上し,従来のフィルタによるシミュレーション手法よりもプロサイクル性も低いことを示す。
論文参考訳（メタデータ） (2022-02-15T02:39:42Z)
Learning Free-Surface Flow with Physics-Informed Neural Networks [0.0]
物理インフォームドニューラルネットワーク(PINN)の概念に基づいて構築し,浅層水モデル(SWE)の領域で採用する。これらのモデルは、洪水波伝播や津波波のような自由表面流れのシナリオをモデル化し、シミュレーションする上で重要な役割を果たしている。
論文参考訳（メタデータ） (2021-11-17T18:45:55Z)
Data-driven Hedging of Stock Index Options via Deep Learning [6.952039070065292]
我々は、オプションデータから直接S&P500インデックスオプションのヘッジ比を学習するために、ディープラーニングモデルを開発する。特徴の異なる組み合わせを比較し、成熟までの時間を持つフィードフォワードニューラルネットワークモデル、Black-Scholes deltaおよび感情変数が、アウトオブサンプルテストにおいて最善であることを示す。
論文参考訳（メタデータ） (2021-11-05T12:53:47Z)
Discriminating modelling approaches for Point in Time Economic Scenario Generation [5.733401663293044]
時間経済シナリオ生成におけるポイントの概念(PiT ESG)を紹介する。 PiT ESGは、長期にわたる歴史的データのみを調整した従来のESGよりも、突然の経済変化に対する迅速かつ柔軟な反応を提供するべきである。我々は,非パラメトリックフィルタ履歴シミュレーション,GARCHモデルと関節推定(パラメトリック),制限ボルツマンマシン,条件付き変分オートエンコーダ(ジェネレータネットワーク)を比較し,PiT ESGとして適合性を検討した。
論文参考訳（メタデータ） (2021-08-19T17:36:53Z)
Learnable Bernoulli Dropout for Bayesian Deep Learning [53.79615543862426]
Learnable Bernoulli Dropout (LBD) は、他のモデルパラメータと共に最適化されたパラメータとしてドロップアウト率を考慮する新しいモデルに依存しないドロップアウトスキームである。 LBDは画像分類とセマンティックセグメンテーションにおける精度と不確実性の推定を改善する。
論文参考訳（メタデータ） (2020-02-12T18:57:14Z)

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。