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
- 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) - Bayesian Bilinear Neural Network for Predicting the Mid-price Dynamics
in Limit-Order Book Markets [84.90242084523565]
伝統的な時系列計量法は、価格力学を駆動する多層相互作用の真の複雑さを捉えることができないことが多い。
最先端の2次最適化アルゴリズムを採用することで、時間的注意を払ってベイジアン双線形ニューラルネットワークを訓練する。
予測分布を用いて推定パラメータとモデル予測に関連する誤差や不確実性を解析することにより、ベイズモデルと従来のML代替品を徹底的に比較する。
論文 参考訳(メタデータ) (2022-03-07T18:59:54Z) - 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) - Predicting Status of Pre and Post M&A Deals Using Machine Learning and
Deep Learning Techniques [0.0]
リスク仲裁または合併仲裁は、M&A取引の成功を推測する投資戦略である。
事前の取引状況の予測は、リスク仲裁者にとって非常に重要である。
本稿では,買収成功予測問題に対するMLとDLに基づく手法を提案する。
論文 参考訳(メタデータ) (2021-08-05T21:26:45Z) - 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。
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。