基于深度学习的能源市场合约：Doubly RBSDE的Dynkin游戏
最优化与控制
2026-01-05 v3 概率论
摘要
我们将差异合约(Contract for Difference, CfD)包含早期退出选项建模为双人零和Dynkin游戏，反映电力生产者与监管实体之间的战略互动。该游戏包含早期终止的惩罚和均值回复价格动力学，通过双反向随机微分方程(doubly reflected backward stochastic differential equation, DRBSDE)来特征化价值。为计算合约价值和最优停止策略，我们开发了一个神经求解器，通过在模拟轨迹上训练的神经网络序列来近似DRBSDE解。该方法避免了离散化状态空间，支持时变障碍，并可扩展到高维情形。我们建立了收敛性结果，并在两个情景中进行测试：一个20维的对称游戏基准，以及一个代表多个欧洲区域的24维电价的CfD模型。结果表明，所提出的求解器准确捕获了合约价值和最优停止区域，在不同维度设置下表现一致。
引用
@article{arxiv.2503.00880,
title = {Deep Learning for Energy Market Contracts: Dynkin Game with Doubly RBSDEs},
author = {Nacira Agram and Ihsan Arharas and Giulia Pucci and Jan Rems},
journal= {arXiv preprint arXiv:2503.00880},
year = {2026}
}