用于定价美国期权的时序深度梯度流方法-计算机科学-机器学习-神经网络-金融数学-期权定价.pdfVIP

用于定价美国期权的时序深度梯度流方法

JASPERROU

摘要.在这项研究中，我们探索了基于神经网络的方法来定价在Black–Scholes和Heston模型下五维以

内的多维美式看跌期权。我们专注于两种方法：时间深度梯度流（TDGF）方法和深度伽辽金方法（DGM）。

我们将TDGF方法扩展到处理美式期权中固有的自由边界偏微分方程。我们在训练过程中精心设计了采

样策略以提升性能。TDGF和DGM均实现了高精度，并且在计算速度上显著优于传统蒙特卡洛方法。特

别是，TDGF在训练过程中的速度通常比DGM更快。

1.介绍

本期权定价是金融数学中的一个基本问题。除了只能在到期日行权的欧式期权外，还存在可以在到

译期日前任何时候行权的美式期权。这种提前行权的特点引入了额外的复杂性，使得美式期权的定价比

中欧式期权更具挑战性。成功用于定价美式期权的第一个方法之一是Cox,Ross,andRubinstein[7]引入

的二项式期权定价模型。另一种广泛使用的方法将美式期权的价格表述为带有自由边界或变分不等式

1

v系统偏微分方程（PDE）的解；参见Myneni[17]以获得全面概述。

6随着基础资产数量的增加，期权定价问题变得高维化，需要更高效的数值方法。ClarkeandParrott

0

6[6]描述了一种用于快速迭代求解美国式期权定价的多重网格程序。LongstaffandSchwartz[15]提出

7

1了一种基于模拟的强大技术，使用最小二乘回归来近似计算美国式期权的价值。IkonenandToivanen

.

7[13]探索了五种不同的美国式期权定价方法：投影SOR法、投影多重网格法、算子分裂法、惩罚法和

0

5逐成分分裂法。关于基于模拟的方法的概述，请参阅BelomestnyandSchoenmakers[4]。

2深度学习的发展为解决美式期权定价问题引入了新的强大方法。在这方面具有开创性的工作包括

:

vBecker,Cheridito,andJentzen[1,2],Becker,Cheridito,Jentzen,andWelti[3]，他们开发了深度学习

i

x

r方法来在高维设置中学到最优执行策略、定价和对冲美式期权。其他值得注意的贡献还包括Herrera,

a

Krach,Ruyssen,andTeichmann[10]，他们展示了随机化神经网络在解决最优停止问题时，能够超越

传统的深度神经网络和标准基函数；Nwankwo,Umeorah,Ware,andDai[18]提出了基于兰道变换的

深度学习框架来处理美式期权定价中的自由边界问题；以及Peng,Wei,andWei[20]，他们引入了深

惩罚方法。

SirignanoandSpiliopoulos[21]提出了深度伽辽金方法（DGM），该方法能准确求解高维自由边

界偏微分方程。最近，PapapantoleonandRou[19]引入了时间深梯度流（TDGF）方法作为DGM的

更有效替代方案来解决源自欧式期权定价问题的偏微分方程。在这项工作中，我们将TDGF方法扩展

到处理自由边界问题，使其能够对美式期权进行定价。我们在Black–Scholes和Heston模型下比较

了DGM和TDGF在最多五个基础资产的情况下对美式看跌期权定价的性能，评估了准确性和计算

效率。

论文的其余部分组织如下。Section2，通过定义与美国期权相关的变分不等式系统并介绍多维

Black–Scholes和Heston模型来阐述问题。Section3描述了TDGF方法在美国期权中的扩展，并介绍

2020MathematicsSubjectClassification.91G20,91G60,68T07.

Keywordsandphrases.期权定价，偏微分方程，人工神经网络，美式期权.