論文の概要: The AI Black-Scholes: Finance-Informed Neural Network

• arxiv url: http://arxiv.org/abs/2412.12213v1
• Date: Sun, 15 Dec 2024 22:40:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-18 14:00:17.156284
• Title: The AI Black-Scholes: Finance-Informed Neural Network
• Title（参考訳）: AIBlack-Scholes:ファイナンスインフォームドニューラルネットワーク
• Authors: Amine M. Aboussalah, Xuanze Li, Cheng Chi, Raj Patel,
• Abstract要約: オプションの価格設定では、既存のモデルは原則駆動の手法とデータ駆動のアプローチに分類される。 対照的に、データ駆動モデルは市場データのトレンドを捉えるのに優れています。 本研究は、原理的手法とデータ駆動手法の両方の長所を統合することによって、これらの制限に対処するハイブリッドアプローチを提案する。
• 参考スコア（独自算出の注目度）: 11.339331636751329
• License:
• Abstract: In the realm of option pricing, existing models are typically classified into principle-driven methods, such as solving partial differential equations (PDEs) that pricing function satisfies, and data-driven approaches, such as machine learning (ML) techniques that parameterize the pricing function directly. While principle-driven models offer a rigorous theoretical framework, they often rely on unrealistic assumptions, such as asset processes adhering to fixed stochastic differential equations (SDEs). Moreover, they can become computationally intensive, particularly in high-dimensional settings when analytical solutions are not available and thus numerical solutions are needed. In contrast, data-driven models excel in capturing market data trends, but they often lack alignment with core financial principles, raising concerns about interpretability and predictive accuracy, especially when dealing with limited or biased datasets. This work proposes a hybrid approach to address these limitations by integrating the strengths of both principled and data-driven methodologies. Our framework combines the theoretical rigor and interpretability of PDE-based models with the adaptability of machine learning techniques, yielding a more versatile methodology for pricing a broad spectrum of options. We validate our approach across different volatility modeling approaches-both with constant volatility (Black-Scholes) and stochastic volatility (Heston), demonstrating that our proposed framework, Finance-Informed Neural Network (FINN), not only enhances predictive accuracy but also maintains adherence to core financial principles. FINN presents a promising tool for practitioners, offering robust performance across a variety of market conditions.
• Abstract（参考訳）: オプション価格の領域では、既存のモデルは、価格関数が満足する偏微分方程式(PDE)の解法や、価格関数を直接パラメータ化する機械学習(ML)技術などのデータ駆動アプローチなど、原則駆動の手法に分類される。 原理駆動モデルは厳密な理論的な枠組みを提供するが、それらはしばしば固定確率微分方程式(SDE)に固執する資産プロセスのような非現実的な仮定に依存する。 さらに、解析解が利用できない場合、特に高次元の設定では計算集約化が可能であるため、数値解が必要である。 対照的に、データ駆動モデルは市場データトレンドのキャプチャに優れていますが、多くの場合、中核的な金融原則との整合性を欠き、解釈可能性や予測精度、特に制限されたデータセットやバイアスのあるデータセットを扱う際の懸念を提起します。 本研究は、原理的手法とデータ駆動手法の両方の長所を統合することによって、これらの制限に対処するハイブリッドアプローチを提案する。 我々のフレームワークは、PDEベースのモデルの理論的厳密性と解釈可能性と機械学習技術の適応性を組み合わせ、幅広い選択肢の価格設定のためのより汎用的な方法論を提供する。 我々は,定常的ボラティリティ(Black-Scholes)と確率的ボラティリティ(Heston)を併用したさまざまなボラティリティモデリングアプローチのアプローチを検証するとともに,提案するフレームワークであるファイナンス・インフォームド・ニューラル・ネットワーク(FINN)が予測精度を向上するだけでなく,中核的な金融原則の遵守も維持することを示した。 FINNは実践者にとって有望なツールであり、さまざまな市場条件で堅牢なパフォーマンスを提供する。

関連論文リスト

• On conditional diffusion models for PDE simulations [53.01911265639582]
  スパース観測の予測と同化のためのスコアベース拡散モデルについて検討した。 本稿では,予測性能を大幅に向上させる自動回帰サンプリング手法を提案する。 また,条件付きスコアベースモデルに対する新たなトレーニング戦略を提案する。
  論文  参考訳（メタデータ） (2024-10-21T18:31:04Z)
• Latent mixed-effect models for high-dimensional longitudinal data [6.103940626659986]
  LMM-VAEは,長手データに対するスケーラブルで解釈可能で識別可能なモデルである。 我々は,GPに基づく手法と理論的な関係を強調し,この手法の統一的な枠組みを提供する。
  論文  参考訳（メタデータ） (2024-09-17T09:16:38Z)
• Boosting Inference Efficiency: Unleashing the Power of Parameter-Shared Pre-trained Language Models [109.06052781040916]
  本稿ではパラメータ共有言語モデルの推論効率を向上させる手法を提案する。 また、完全あるいは部分的に共有されたモデルにつながる単純な事前学習手法を提案する。 その結果,本手法が自己回帰的および自己符号化的PLMに与える影響が示された。
  論文  参考訳（メタデータ） (2023-10-19T15:13:58Z)
• Stochastic Methods for AUC Optimization subject to AUC-based Fairness Constraints [51.12047280149546]
  公正な予測モデルを得るための直接的なアプローチは、公正な制約の下で予測性能を最適化することでモデルを訓練することである。 フェアネスを考慮した機械学習モデルのトレーニング問題を,AUCに基づくフェアネス制約のクラスを対象とする最適化問題として定式化する。 フェアネス測定値の異なる実世界のデータに対するアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2022-12-23T22:29:08Z)
• 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)
• 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)
• Adaptive learning for financial markets mixing model-based and model-free RL for volatility targeting [0.0]
  モデルフリー強化学習は安定した環境において有意義な成果を上げてきたが、今日でも金融市場のような環境の変化に問題がある。 モデルフリーな深層強化学習により,様々なモデルベースアプローチを選択することで,この2つの手法のベストを組み合わせることを提案する。
  論文  参考訳（メタデータ） (2021-04-19T19:20:22Z)
• Modeling the Second Player in Distributionally Robust Optimization [90.25995710696425]
  我々は、最悪のケース分布を特徴付けるために神経生成モデルを使うことを議論する。 このアプローチは多くの実装と最適化の課題をもたらします。 提案されたアプローチは、同等のベースラインよりも堅牢なモデルを生み出す。
  論文  参考訳（メタデータ） (2021-03-18T14:26:26Z)
• Robust pricing and hedging via neural SDEs [0.0]
  我々は,ニューラルSDEの効率的な利用に必要な新しいアルゴリズムを開発し,分析する。 我々は、関連する市場データを取り入れつつ、デリバティブの価格とそれに対応するヘッジ戦略の堅牢な境界を見出した。 ニューラルSDEはリスクニュートラルと現実世界の両方で一貫したキャリブレーションを可能にする。
  論文  参考訳（メタデータ） (2020-07-08T14:33:17Z)
• Gaussian process imputation of multiple financial series [71.08576457371433]
  金融指標、株価、為替レートなどの複数の時系列は、市場が潜んでいる状態に依存しているため、強く結びついている。 金融時系列間の関係を多出力ガウスプロセスでモデル化することで学習することに注力する。
  論文  参考訳（メタデータ） (2020-02-11T19:18:18Z)

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。