論文の概要: Functional Tensor Trains for High-Order Greeks and Exposure Tails of Multi-Asset Structured Products

• arxiv url: http://arxiv.org/abs/2610.42119v1
• Date: Fri, 30 Oct 2026 17:52:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-02 22:05:31.862759
• Title: Functional Tensor Trains for High-Order Greeks and Exposure Tails of Multi-Asset Structured Products
• Title（参考訳）: 高次ギリシャ人のための機能的テンソルトレインとマルチアセット構造化製品の露光タイル
• Abstract要約: 最悪の自動呼び出し装置のリスク管理には、価格の感度が最大3階まで必要であり、将来の暴露の可能性も必要である。 代わりに、後方価格の再帰を解決し、継続値を$hp$関数テンソルトレイン(hp-FTT)として保存する。 1つの解法はすべてのギリシア語にノイズをサンプリングすることなく、保存された値に比重を組み込むことによって、任意の地点で全てのギリシャ語を与える。
• 参考スコア（独自算出の注目度）: 11.374163972761814
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Risk management of worst-of autocallables needs price sensitivities (Greeks) up to third order and the potential future exposure, a tail quantile of the note's future value. In Monte Carlo, each order of differentiation multiplies the sampling noise by a factor that grows with the observation frequency, and nested simulation turns the noise of its inner paths into a bias of the quantile. We instead solve the backward pricing recursion, storing the continuation value as an $hp$ functional tensor train (hp-FTT) whose piecewise-polynomial cores are split at the barriers, so that worst-of barrier events act exactly, with rank one. For Gaussian transitions we show that the polynomial degree sufficient for an error $\varepsilon$ grows only as $\sqrt{\log(1/\varepsilon)}$. One solve then gives every Greek at any spot without sampling noise, by integrating the likelihood-ratio weight against the stored value, and the values it stores at future dates replace inner simulation. Against the strongest Monte Carlo estimators we could build or find published, on worst-of autocallables observed monthly on three to five assets, the order of the Greek and the accuracy decide which method is cheaper. At $1\%$ accuracy Monte Carlo is more than an order of magnitude cheaper for deltas, second-order Greeks go either way, and hp-FTT is cheaper for every third-order Greek, by up to two orders of magnitude. At $0.1\%$ hp-FTT is cheaper for every Greek we could check, under geometric Brownian motion and local volatility alike. For the exposure alone Monte Carlo is cheaper at $1\%$ and hp-FTT at $0.1\%$, and a solve run for the Greeks yields it for little more than scenario sampling. Sampling pays in variance for each derivative and hp-FTT in rank for each asset, so Monte Carlo keeps low-order Greeks at percent accuracy, rarely observed contracts and many assets.
• Abstract（参考訳）: 最悪の自動呼び出し装置のリスク管理には、価格感性(Greeks)が3階まで必要であり、将来的な暴露の可能性も必要である。 モンテカルロでは、それぞれの微分の順序が観測周波数とともに成長する因子によってサンプリングノイズを乗算し、ネストシミュレーションは内部の経路のノイズを量子のバイアスに変換する。 代わりに、後方の価格再帰を解決し、継続値を、一括多項式コアがバリアで分割されたhp-FTT ($hp$ functional tensor Train) として格納することで、最悪のバリアイベントが、ランク1で正確に動作するようにする。 ガウス変換に対して、誤差$\varepsilon$の多項式次数は$\sqrt{\log(1/\varepsilon)}$としてしか成長しないことを示す。 1つの解法はすべてのギリシア語を、ノイズをサンプリングすることなく、保存された値に対して確率比の重み付けを組み込むことで任意の地点に与え、将来の日付で保存される値は内部シミュレーションに取って代わる。 最も強いモンテカルロ推定値に対して、月3～5つの資産で観測された最悪の自動呼び出し可能値、ギリシャ人の順番、どの方法が安いかを正確に決定する。 精度が1\%のモンテカルロはデルタでは桁違いに安く、2階ギリシャ人はいずれにせよ安く、hp-FTTは3階ギリシャでは最大2桁安い。 hp-FTTは、幾何学的ブラウン運動と局所的なボラティリティの下で、チェックできるすべてのギリシャ人にとっては安い。 露出のみの場合、モンテカルロは$1\%で、hp-FTTは$0.1\%で、ギリシャ人の解法はシナリオサンプリング以上のものをもたらす。 標本化はそれぞれのデリバティブとhp-FTTのランクごとに異なるため、モンテカルロは低次のギリシャ人を精度で維持する。

関連論文リスト

• Hardware-Friendly Estimation of LCU-Based Expectation Values via Quantum-to-Classical Workload Shifting [2.3204178451683264]
  HERMESは$A$の処理を完全に古典的なドメインに移動します。 HERMESはノイズに対してより頑丈で、ベースラインでは不可能な、ノイズの多い$mathrmLiH$シミュレーションを完了します。
  論文  参考訳（メタデータ） (2026-10-23T16:17:17Z)
• Slow Beats Fast at the Kesten-Stigum Threshold: Minimax, Fisher-Information and Belief-Propagation Characterizations of the Information-Computation Gap in Sparse Stochastic Block Models [0.0]
  本研究は,$q$コミュニティを用いた疎対称計算ブロックモデルにおけるコミュニティリカバリについて検討する。 我々はKesten-Stigumしきい値$d2=1$と、その下の情報計算ギャップの3つの特徴を得る。
  論文  参考訳（メタデータ） (2026-10-06T05:43:49Z)
• Convex Optimization Is Free When Accuracy Is Expensive [18.56538898519597]
  我々は、勾配を正確に評価できないときに凸最適化を研究するが、精度$$$で$-$のように計算が成長するアルゴリズムの階層によってのみ近似される。 損失関数の最小化に要するコストは,問題要求の精度での勾配の1つの評価よりも,$のみに依存する。
  論文  参考訳（メタデータ） (2026-09-28T15:30:18Z)
• Decay versus dephasing in Rydberg analog optimization: exchange rate, mechanism, and schedule design [0.05427878000393745]
  ノイズレスリドバーグ原子最適化はデコヒーレンスとデフォーカスの観点から研究されている。 一階摂動理論はノイズのない伝播だけで$$を再現する。 コストモデル全体がノイズを伴わないため、ノイズのないシミュレーションをすることなく、スケジュールをデバイスのチャネルミックスに調整することができる。
  論文  参考訳（メタデータ） (2026-08-30T15:41:02Z)
• Transferred QAOA Parameters Remember the Penalty Scale: A $λ$-Resonance Law for Constrained Quantum Optimization [0.0]
  我々は、制約がペナルティとしてエンコードされるたびに転送を管理する新しい独立した軸を同定する。 任意の固定QAOA角において深さ$p$のとき、実現可能な部分空間上の確率$F()$が有限実三角質量であることを証明する。 この定理は、任意の整数対価 QUBO に対してどのように角度が得られたかとは無関係である。
  論文  参考訳（メタデータ） (2026-07-10T19:23:41Z)
• Hidden-State Privacy Has an Empty Middle [51.56484100374058]
  すべてのフルランクガウス解放を$O(1)$ Fisher utility で表すと、マハラノビス信号が隠れた幅で直線的に成長する方向を認める。 スクラッチからトレーニングされたスプリットメモリトランスフォーマーは、[20, 33]$90MでG_mathrmMahに達し、固定言語損失ペナルティにおいて、30Mから1Bまでの同じ予算のGPTベースラインに対して6ドル～24ドルという優位性を維持する。
  論文  参考訳（メタデータ） (2026-05-21T20:12:09Z)
• Minimax-Optimal Multi-Agent RL in Zero-Sum Markov Games With a Generative Model [50.38446482252857]
  2人プレイのゼロサムマルコフゲームは多エージェント強化学習においておそらく最も基本的な設定である。 我々は,$$ widetildeObiggを用いて,$varepsilon$-approximate Markov NEポリシーを学習する学習アルゴリズムを開発した。 我々は、分散型量の役割を明確にするFTRLに対する洗練された後悔境界を導出する。
  論文  参考訳（メタデータ） (2022-08-22T17:24:55Z)
• Permutation Compressors for Provably Faster Distributed Nonconvex Optimization [68.8204255655161]
  本稿では,Gorbunov et al (2021) の MARINA 法が,理論的な通信複雑性の観点から最先端の手法とみなすことができることを示す。 MARINAの理論は、古典的な独立圧縮機設定を超えて、潜在的にエミュレートされた圧縮機の理論を支持するものである。
  論文  参考訳（メタデータ） (2021-10-07T09:38:15Z)
• Variance-Aware Confidence Set: Variance-Dependent Bound for Linear Bandits and Horizon-Free Bound for Linear Mixture MDP [76.94328400919836]
  線形バンドイットと線形混合決定プロセス(mdp)に対する分散認識信頼セットの構築方法を示す。 線形バンドイットに対しては、$d を特徴次元とする$widetildeo(mathrmpoly(d)sqrt1 + sum_i=1ksigma_i2) が成り立つ。 線形混合 MDP に対し、$widetildeO(mathrmpoly(d)sqrtK)$ regret bound を得る。
  論文  参考訳（メタデータ） (2021-01-29T18:57:52Z)
• Optimal Robust Linear Regression in Nearly Linear Time [97.11565882347772]
  学習者が生成モデル$Y = langle X,w* rangle + epsilon$から$n$のサンプルにアクセスできるような高次元頑健な線形回帰問題について検討する。 i) $X$ is L4-L2 hypercontractive, $mathbbE [XXtop]$ has bounded condition number and $epsilon$ has bounded variance, (ii) $X$ is sub-Gaussian with identity second moment and $epsilon$ is
  論文  参考訳（メタデータ） (2020-07-16T06:44:44Z)

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。