基于神经网络的多变量拟随机采样及其应用
机器学习
2021-08-30 v2 机器学习
应用统计
摘要
本文提出使用生成矩匹配网络（GMMNs）来建模随机过程之间的横截面依赖关系。所考虑的随机过程为几何布朗运动和 ARMA-GARCH 模型。几何布朗运动引出了在依赖结构下对美式篮子看涨期权定价的应用，而 ARMA-GARCH 模型引出了模拟预测分布的应用。在这两类应用中，均突出了使用 GMMNs 相较于参数化依赖模型的优势，并利用 GMMNs 无需额外代价即可生成依赖拟随机样本这一事实来实现方差缩减。
引用
@article{arxiv.2012.08036,
title = {Applications of multivariate quasi-random sampling with neural networks},
author = {Marius Hofert and Avinash Prasad and Mu Zhu},
journal= {arXiv preprint arXiv:2012.08036},
year = {2021}
}
备注
17 pages, 5 figures