論文の概要: Learning parameter dependence for Fourier-based option pricing with tensor trains

• arxiv url: http://arxiv.org/abs/2405.00701v7
• Date: Thu, 31 Oct 2024 09:07:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-01 16:56:36.854469
• Title: Learning parameter dependence for Fourier-based option pricing with tensor trains
• Title（参考訳）: テンソルトレインを用いたフーリエオプション価格の学習パラメータ依存性
• Authors: Rihito Sakurai, Haruto Takahashi, Koichi Miyamoto,
• Abstract要約: そこで我々は,FTベースのオプション価格で現れる関数に近似したテンソルトレインを構築する,テンソルトレイン学習アルゴリズムを提案する。 ベンチマークテストとして,様々な揮発性の値と現在の資産価格に対するマルチアセットオプションの価格設定を行う。 提案手法は,最大11個の資産を含むテストケースにおいて,モンテカルロをベースとしたオプション価格を計算複雑性の観点から106ドルパスで上回る性能を示した。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: A long-standing issue in mathematical finance is the speed-up of option pricing, especially for multi-asset options. A recent study has proposed to use tensor train learning algorithms to speed up Fourier transform (FT)-based option pricing, utilizing the ability of tensor trains to compress high-dimensional tensors. Another usage of the tensor train is to compress functions, including their parameter dependence. Here, we propose a pricing method, where, by a tensor train learning algorithm, we build tensor trains that approximate functions appearing in FT-based option pricing with their parameter dependence and efficiently calculate the option price for the varying input parameters. As a benchmark test, we run the proposed method to price a multi-asset option for the various values of volatilities and present asset prices. We show that, in the tested cases involving up to 11 assets, the proposed method outperforms Monte Carlo-based option pricing with $10^6$ paths in terms of computational complexity while keeping better accuracy.
• Abstract（参考訳）: 数学ファイナンスにおける長年の問題は、特にマルチアセットオプションの価格設定の高速化である。 最近の研究では、テンソルトレインの高次元テンソル圧縮能力を利用して、テンソルトレイン学習アルゴリズムを用いてフーリエ変換(FT)に基づくオプション価格の高速化が提案されている。 テンソルトレインのもう1つの用途は、パラメータ依存を含む関数を圧縮することである。 本稿では, テンソルトレイン学習アルゴリズムを用いて, FTベースのオプション価格に現れる関数をパラメータ依存で近似したテンソルトレインを構築し, 各種入力パラメータのオプション価格を効率的に算出する。 ベンチマークテストとして,様々な揮発性の値と現在の資産価格に対するマルチアセットオプションの価格設定を行う。 提案手法は,最大11個の資産を含むテストケースにおいて,モンテカルロのオプション価格を計算複雑性の観点から10^6$パスで上回り,精度を向上する。

関連論文リスト

• FTuner: A Fast Dynamic Shape Tensors Program Auto-Tuner for Deep Learning Compilers [6.194917248699324]
  本稿では,FTunerと呼ばれるディープラーニングコンパイラの新しい手法を提案する。 実験によると、FTunerはベンダーのライブラリに匹敵する演算子とエンドツーエンドのパフォーマンスを実現することができる。
  論文  参考訳（メタデータ） (2024-07-31T08:05:33Z)
• SVFT: Parameter-Efficient Fine-Tuning with Singular Vectors [80.6043267994434]
  既存の手法と根本的に異なる単純なアプローチであるSVFTを提案する。 SVFTは特異ベクトルの外積のスパース結合として(W)を更新し、これらのスパース結合の係数(スケール)のみを訓練する。 言語とビジョンベンチマークの実験では、SVFTは完全な微調整性能の96%を回復し、パラメータの0.006から0.25%しかトレーニングしていない。
  論文  参考訳（メタデータ） (2024-05-30T01:27:43Z)
• AFLoRA: Adaptive Freezing of Low Rank Adaptation in Parameter Efficient Fine-Tuning of Large Models [5.981614673186146]
  私たちは小説を提示する。 -PEFT(Adaptive Freezing of Low Rank Adaptation)法 具体的には、トレーニング可能な低ランク行列の平行経路、すなわち、ダウンプロジェクションとアッププロジェクション行列を加え、それぞれに特徴変換ベクトルが続く。 実験結果から,GLUEベンチマークで評価した結果,平均値0.85%以上の改善を達成できることが確認された。
  論文  参考訳（メタデータ） (2024-03-20T03:07:50Z)
• Dynamic Layer Tying for Parameter-Efficient Transformers [65.268245109828]
  トレーニング中にレイヤを選択し、それらを結びつけるために強化学習を採用しています。 これにより、重量共有が容易になり、トレーニング可能なパラメータの数を減らし、効果的な正規化技術としても機能する。 特に、トレーニング中のメモリ消費は、従来のトレーニング方法よりも1桁も少ない。
  論文  参考訳（メタデータ） (2024-01-23T14:53:20Z)
• Faster Robust Tensor Power Method for Arbitrary Order [15.090593955414137]
  emphTensor Power Method (TPM) はテンソルの分解において広く使われている手法の1つである。 我々はスケッチ法を適用し、$widetildeO(np-1)$の出力$p$と dimension$n$tensorで実行時間を達成することができる。
  論文  参考訳（メタデータ） (2023-06-01T07:12:00Z)
• Multi-Rate VAE: Train Once, Get the Full Rate-Distortion Curve [29.86440019821837]
  変分オートエンコーダ(VAE)は、広範囲のアプリケーションで使用されるデータの潜在表現を学習するための強力なツールである。 本稿では,1回のトレーニングで様々な$beta$に対応する最適なパラメータを学習するための,計算効率のよいフレームワークであるMulti-Rate VAEを紹介する。
  論文  参考訳（メタデータ） (2022-12-07T19:02:34Z)
• Near-Linear Time and Fixed-Parameter Tractable Algorithms for Tensor Decompositions [51.19236668224547]
  テンソルの低階近似について検討し,テンソルトレインとタッカー分解に着目した。 テンソル列車の分解には、小さなビクリテリアランクを持つビクリテリア$(1 + eps)$-approximationアルゴリズムと、O(q cdot nnz(A))$ランニングタイムを与える。 さらに、任意のグラフを持つテンソルネットワークにアルゴリズムを拡張します。
  論文  参考訳（メタデータ） (2022-07-15T11:55:09Z)
• Spectral Tensor Train Parameterization of Deep Learning Layers [136.4761580842396]
  重み行列の低ランクパラメータ化をDeep Learningコンテキストに埋め込まれたスペクトル特性を用いて検討する。 分類設定におけるニューラルネットワーク圧縮の効果と,生成的対角トレーニング設定における圧縮および安定性トレーニングの改善について述べる。
  論文  参考訳（メタデータ） (2021-03-07T00:15:44Z)
• Tensor Completion via Tensor Networks with a Tucker Wrapper [28.83358353043287]
  本論文では,タッカーラッパーを用いたテンソルネットワークを用いて低ランクテンソル完備化(LRTC)を解くことを提案する。 次に、未知の要素を更新するために、2段階の最小二乗法を用いる。 数値シミュレーションにより,提案アルゴリズムは最先端手法に匹敵することを示す。
  論文  参考訳（メタデータ） (2020-10-29T17:54:01Z)
• Beyond Lazy Training for Over-parameterized Tensor Decomposition [69.4699995828506]
  過度なパラメータ化対象の勾配勾配は遅延学習体制を超え、データ中の特定の低ランク構造を利用する可能性があることを示す。 以上の結果から,過パラメータ化対象の勾配勾配は遅延学習体制を超え,データ中の特定の低ランク構造を利用する可能性が示唆された。
  論文  参考訳（メタデータ） (2020-10-22T00:32:12Z)
• Length-Adaptive Transformer: Train Once with Length Drop, Use Anytime with Search [84.94597821711808]
  我々は,PoWER-BERT(Goyal et al., 2020)を拡張し,一発訓練後に様々な推論シナリオに使用できる長適応変換器を提案する。 我々は,任意の計算予算の下で,精度を最大化し,効率の指標を最小化する長さ構成を求めるために,多目的進化探索を行う。 提案手法の有効性を実証的に検証し,各種設定下での精度・効率のトレードオフを実証する。
  論文  参考訳（メタデータ） (2020-10-14T12:28:08Z)

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。