論文の概要: KANHedge: Efficient Hedging of High-Dimensional Options Using Kolmogorov-Arnold Network-Based BSDE Solver

• arxiv url: http://arxiv.org/abs/2601.11097v1
• Date: Fri, 16 Jan 2026 08:57:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-19 20:21:50.419346
• Title: KANHedge: Efficient Hedging of High-Dimensional Options Using Kolmogorov-Arnold Network-Based BSDE Solver
• Title（参考訳）: KanHedge: Kolmogorov-ArnoldネットワークベースのBSDEソルバを用いた高次元オプションの効率的なヘッジ
• Authors: Rushikesh Handal, Masanori Hirano,
• Abstract要約: 高次元オプション価格とヘッジは、量的金融において重要な課題である。 BSDEフレームワークはPDEベースの手法に代わる計算効率の良い代替手段を提供する。 我々はBSDEフレームワーク内でkansを活用するBSDEベースの新しいヘッジラであるkanHedgeを紹介する。 KanHedgeは、コストメトリクスのヘッジを大幅に削減し、リスク管理能力の向上を実現している。
• 参考スコア（独自算出の注目度）: 0.29312403481608706
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: High-dimensional option pricing and hedging present significant challenges in quantitative finance, where traditional PDE-based methods struggle with the curse of dimensionality. The BSDE framework offers a computationally efficient alternative to PDE-based methods, and recently proposed deep BSDE solvers, generally utilizing conventional Multi-Layer Perceptrons (MLPs), build upon this framework to provide a scalable alternative to numerical BSDE solvers. In this research, we show that although such MLP-based deep BSDEs demonstrate promising results in option pricing, there remains room for improvement regarding hedging performance. To address this issue, we introduce KANHedge, a novel BSDE-based hedger that leverages Kolmogorov-Arnold Networks (KANs) within the BSDE framework. Unlike conventional MLP approaches that use fixed activation functions, KANs employ learnable B-spline activation functions that provide enhanced function approximation capabilities for continuous derivatives. We comprehensively evaluate KANHedge on both European and American basket options across multiple dimensions and market conditions. Our experimental results demonstrate that while KANHedge and MLP achieve comparable pricing accuracy, KANHedge provides improved hedging performance. Specifically, KANHedge achieves considerable reductions in hedging cost metrics, demonstrating enhanced risk control capabilities.
• Abstract（参考訳）: 高次元オプションの価格設定とヘッジは、従来のPDEベースの手法が次元性の呪いに苦しむ量的金融において重要な課題となる。 BSDEフレームワークはPDEベースの手法に代わる計算効率の良い代替手段を提供し、最近提案されたディープBSDEソルバは、一般に従来のマルチ層パーセプトロン(MLP)を利用して、数値BSDEソルバに代わるスケーラブルな代替手段を提供する。 本研究では,MLPベースのディープBSDEがオプション価格で有望な結果を示したが,ヘッジ性能の改善の余地は残されていることを示す。 この問題に対処するため,BSDE フレームワーク内で Kolmogorov-Arnold Networks (KANs) を活用する新しい BSDE ベースのヘッジラーである KanHedge を紹介した。 固定活性化関数を使用する従来のMLPアプローチとは異なり、カンは連続微分に対する関数近似機能を増強する学習可能なB-スプライン活性化関数を用いる。 我々は、ヨーロッパとアメリカの両方のバスケットオプションについて、多次元および市場条件で包括的に評価する。 実験の結果,kanHedge と MLP は同等の価格設定を実現するが,kanHedge はヘッジ性能を向上することを示した。 具体的には、KanHedgeはコストメトリクスのヘッジを大幅に削減し、リスク管理能力の向上を実証している。

関連論文リスト

• Bayesian Neural Network Surrogates for Bayesian Optimization of Carbon Capture and Storage Operations [0.0]
  Carbon Capture and Storage (CCS)は、持続可能な未来を育むための重要な技術である。 本稿では,CSプロジェクト開発における決定変数の最適化戦略の比較評価を行う。 BOフレームワークにおいて, 様々な新しいモデルが検討され, 比較された。
  論文  参考訳（メタデータ） (2025-07-29T13:40:46Z)
• Supervised Optimism Correction: Be Confident When LLMs Are Sure [91.7459076316849]
  教師付き微調整とオフライン強化学習の間には,新たな理論的関係が確立されている。 広く使われているビームサーチ法は、許容できない過度な最適化に悩まされていることを示す。 本稿では,トークンレベル$Q$-value推定のための簡易かつ効果的な補助的損失を導入したSupervised Optimism Correctionを提案する。
  論文  参考訳（メタデータ） (2025-04-10T07:50:03Z)
• Mathematical Modeling of Option Pricing with an Extended Black-Scholes Framework [0.0]
  本研究では,ブラック・スコールズモデルを拡張し,ボラティリティと金利変動性を含むオプション価格の高騰について検討した。 拡張されたBlack-Scholesモデルと機械学習ベースのLSTMモデルを開発し、Googleストックオプションの価格で評価する。
  論文  参考訳（メタデータ） (2025-04-04T05:06:55Z)
• CriDiff: Criss-cross Injection Diffusion Framework via Generative Pre-train for Prostate Segmentation [60.61972883059688]
  CridiffはCrisscross Injection Strategy(CIS)とGenerative Pre-train(GP)アプローチによる2段階の機能注入フレームワークである。 CISでは,複数レベルのエッジ特徴と非エッジ特徴を効果的に学習するために,並列コンディショナーを2つ提案した。 GPアプローチは、追加パラメータを追加することなく、画像特徴と拡散モデルとの矛盾を緩和する。
  論文  参考訳（メタデータ） (2024-06-20T10:46:50Z)
• Using Uncertainty Quantification to Characterize and Improve Out-of-Domain Learning for PDEs [44.890946409769924]
  ニューラル演算子(NO)は特に有望な量子化として出現している。 本研究では,複数のNOをアンサンブルすることで,高いエラー領域を同定し,不確実性の高い推定を行うことができることを示す。 次に、ProbConservフレームワーク内でこれらのよく校正されたUQ推定を使ってモデルを更新するOperator-ProbConservを紹介します。
  論文  参考訳（メタデータ） (2024-03-15T19:21:27Z)
• Batch-Size Independent Regret Bounds for Combinatorial Semi-Bandits with Probabilistically Triggered Arms or Independent Arms [59.8188496313214]
  半帯域 (CMAB) について検討し, 半帯域 (CMAB) におけるバッチサイズ (K$) の依存性の低減に着目した。 まず,確率的に引き起こされるアーム(CMAB-T)を用いたCMABの設定に対して,分散を考慮した信頼区間を持つBCUCB-Tアルゴリズムを提案する。 次に,独立アームを用いた非トリガ型CMABの設定に対して,TPVM条件の非トリガ型を利用したSESCBアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-08-31T13:09:39Z)
• Demand Responsive Dynamic Pricing Framework for Prosumer Dominated Microgrids using Multiagent Reinforcement Learning [59.28219519916883]
  本稿では,実時間価格(RTP)DR技術を実装したマルチエージェント強化学習に基づく意思決定環境を提案する。 提案手法は,従来のDR法に共通するいくつかの欠点に対処し,グリッド演算子とプロシューマーに大きな経済的利益をもたらす。
  論文  参考訳（メタデータ） (2020-09-23T01:44:57Z)

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。