深度神经算子学习用于概率模型
机器学习
2025-11-11 v1 计算金融
摘要
我们提出了一种针对一般概率模型类的深度神经算子框架。在整个欧几里得空间上满足全局Lipschitz条件的情况下，对于广泛的概率模型类，我们建立了一个具有显式网络规模界限的通用逼近定理。 underlying的随机过程仅需满足可积性和一般尾部概率条件。我们验证了这些假设适用于欧洲和美国期权定价问题，这些问题在前向-后向随机微分方程（FBSDE）框架中涵盖了广泛的算子，无论是否具有自由边界。最后，我们呈现了一个美国期权组合的示例，表明所学习的模型能够在无需重新训练的情况下为新的行权价位生成最优停止边界。
引用
@article{arxiv.2511.07235,
title = {Deep Neural Operator Learning for Probabilistic Models},
author = {Erhan Bayraktar and Qi Feng and Zecheng Zhang and Zhaoyu Zhang},
journal= {arXiv preprint arXiv:2511.07235},
year = {2025}
}
备注
36 pages, 1 figure