論文の概要: Neural Networks with Local Converging Inputs for Efficient Options Pricing Models

• arxiv url: http://arxiv.org/abs/2608.02778v1
• Date: Mon, 03 Aug 2026 18:21:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-05 15:30:22.916384
• Title: Neural Networks with Local Converging Inputs for Efficient Options Pricing Models
• Title（参考訳）: 効率的なオプション価格モデルのための局所収束入力を持つニューラルネットワーク
• Abstract要約: 本稿では,マルチアセスメントオプションの価格設定において,既存の数値手法の効率を向上させるために,NNLCIを用いたニューラルネットワークの新たな応用を提案する。 NNLCIは、リアルタイムオプショントレーディングやリスク管理における高次元問題に対する計算要求を大幅に削減し、トレーニングコストの低減と高い能力の一般化を実現している。
• 参考スコア（独自算出の注目度）: 5.495620491256887
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present a novel application of Neural Networks with Local Converging Inputs (NNLCI) to improve the efficiency of existing numerical methods for pricing multi-asset options. The most concise input format for NNLCI has been introduced, offering substantial convenience and efficiency. NNLCI uses a neural network to locally correct solutions from a coarse mesh and a refined mesh (relative to the coarse one), requiring only a minimal amount of high-fidelity training data. We demonstrate this approach on cash-or-nothing options under the Black-Scholes equation in one, two, and three spatial dimensions, and on single-asset down-and-out barrier call options under the Heston stochastic-volatility model (whose pricing PDE is two-dimensional in the spot price $S$ and the instantaneous variance $v$). In each case, NNLCI reduces the root-mean-square error (RMSE) of the refined-mesh numerical solution by a factor of approximately 4-12 on test sets, even when the neural network is trained on only a small subset of parameter combinations. These results demonstrate that NNLCI significantly reduces computational requirements for high-dimensional problems in real-time options trading and risk management, offering low training costs and strong generalization ability.
• Abstract（参考訳）: 本稿では,局所収束入力(NNLCI)を用いたニューラルネットワークの新たな応用法を提案する。 NNLCIの最も簡潔な入力形式が導入された。 NNLCIはニューラルネットワークを使用して、粗いメッシュと洗練されたメッシュ(粗いメッシュ)からのソリューションを局所的に修正する。 この手法は,1次元,2次元,3次元のブラック・ショールズ方程式の下でのキャッシュ・オ・ナッシング・オプションと,ヘストン確率変動モデルの下での単座ダウン・アンド・アウトバリアコール・オプション(スポット価格$S$と即時分散$v$でPDEは2次元である)について実証する。 それぞれの場合、NNLCIは、ニューラルネットワークがパラメータの組み合わせの小さなサブセットでのみ訓練されている場合であっても、精巧な数値解のルート平均二乗誤差(RMSE)を、テストセット上で約4-12の係数で削減する。 これらの結果から,NNLCIはリアルタイムオプショントレーディングおよびリスク管理における高次元問題に対する計算要求を著しく低減し,低トレーニングコストと強力な一般化能力を提供することを示した。

関連論文リスト

• S$^2$NN: Sub-bit Spiking Neural Networks [53.08060832135342]
  スパイキングニューラルネットワーク(SNN)は、マシンインテリジェンスにエネルギー効率のよいパラダイムを提供する。 最近のバイナリSNNの進歩にもかかわらず、大規模ネットワークではストレージと計算の要求が相当に大きい。 1ビット未満の重みを表すサブビットスパイキングニューラルネットワーク(S$2$NNs)を提案する。
  論文  参考訳（メタデータ） (2025-09-29T04:17:44Z)
• Deep Hierarchical Learning with Nested Subspace Networks [53.71337604556311]
  大規模ニューラルネットワークのためのNested Subspace Networks (NSN)を提案する。 NSNは、単一のモデルを連続した計算予算の範囲で動的かつきめ細かな調整を可能にする。 我々は,NSNを訓練済みのLLMに外科的に適用し,スムーズで予測可能な計算性能フロンティアを解き放つことができることを示した。
  論文  参考訳（メタデータ） (2025-09-22T15:13:14Z)
• Solving Maxwell's Equation in 2D with Neural Networks with Local Converging Inputs [0.061386715480643554]
  完全導体に関するマクスウェル方程式を解くために、局所収束入力を持つニューラルネットワークを適用した。 実験は空間時空間格子点の数で計算複雑性を8,3ドルに抑えることを示す。
  論文  参考訳（メタデータ） (2023-02-06T15:26:41Z)
• Individual Fairness Guarantees for Neural Networks [0.0]
  我々は、フィードフォワードニューラルネットワーク(NN)の個人公正性(IF)を認定する問題を考える。 我々は$epsilon$-$delta$-IF の定式化に取り組んでおり、$epsilon$-similar の任意のペア間の出力差は最大決定耐性によって制限される。 この定式化は、NN損失を変更することで、トレーニング時のモデルの公平性を促進するためにどのように使用できるかを示し、我々のアプローチが最先端の手法よりもはるかに公平なNNを生成することを実証的に確認する。
  論文  参考訳（メタデータ） (2022-05-11T20:21:07Z)
• Model Architecture Adaption for Bayesian Neural Networks [9.978961706999833]
  我々はBNNを精度と不確実性の両方に最適化する新しいネットワークアーキテクチャサーチ(NAS)を示す。 我々の実験では,探索されたモデルでは,最先端(ディープアンサンブル)と比較して,不確実性と精度が比較できる。
  論文  参考訳（メタデータ） (2022-02-09T10:58:50Z)
• Robustness Certificates for Implicit Neural Networks: A Mixed Monotone Contractive Approach [60.67748036747221]
  暗黙のニューラルネットワークは、競合性能とメモリ消費の削減を提供する。 入力逆流の摂動に関して、それらは不安定なままである。 本稿では,暗黙的ニューラルネットワークのロバスト性検証のための理論的および計算的枠組みを提案する。
  論文  参考訳（メタデータ） (2021-12-10T03:08:55Z)
• Low-bit Quantization of Recurrent Neural Network Language Models Using Alternating Direction Methods of Multipliers [67.688697838109]
  本稿では、乗算器の交互方向法(ADMM)を用いて、スクラッチから量子化RNNLMを訓練する新しい手法を提案する。 2つのタスクの実験から、提案されたADMM量子化は、完全な精度ベースライン RNNLM で最大31倍のモデルサイズ圧縮係数を達成したことが示唆された。
  論文  参考訳（メタデータ） (2021-11-29T09:30:06Z)
• Learning to Solve the AC-OPF using Sensitivity-Informed Deep Neural Networks [52.32646357164739]
  最適な電力フロー(ACOPF)のソリューションを解決するために、ディープニューラルネットワーク(DNN)を提案します。 提案されたSIDNNは、幅広いOPFスキームと互換性がある。 他のLearning-to-OPFスキームとシームレスに統合できる。
  論文  参考訳（メタデータ） (2021-03-27T00:45:23Z)
• NL-CNN: A Resources-Constrained Deep Learning Model based on Nonlinear Convolution [0.0]
  NL-CNNと略される新しい畳み込みニューラルネットワークモデルが提案され、非線型畳み込みは畳み込み+非線形性層のカスケードでエミュレートされる。 いくつかの広く知られているデータセットのパフォーマンス評価が提供され、いくつかの関連する特徴を示している。
  論文  参考訳（メタデータ） (2021-01-30T13:38:42Z)
• Modeling from Features: a Mean-field Framework for Over-parameterized Deep Neural Networks [54.27962244835622]
  本稿では、オーバーパラメータ化ディープニューラルネットワーク(DNN)のための新しい平均場フレームワークを提案する。 このフレームワークでは、DNNは連続的な極限におけるその特徴に対する確率測度と関数によって表現される。 本稿では、標準DNNとResidual Network(Res-Net)アーキテクチャを通してフレームワークを説明する。
  論文  参考訳（メタデータ） (2020-07-03T01:37:16Z)

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。