用于 contingent claim 定价与通用静态对冲的神经网络
计算金融
2019-11-27 v1
摘要
我们在此提出一种基于回归后验（regress later）的蒙特卡洛方法，使用神经网络对高维contingent claim进行定价。所提算法中使用的神经网络特定架构的选择提供了模型的可解释性，这一特征在金融背景下通常是可取的。具体而言，该解释使我们能够证明，在任何contingent claim——可能是高维且路径依赖的——在马尔可夫和无套利假设下，都可以通过短期期权组合进行半静态对冲。我们展示了该方法如何用于获得真实价格的上界和下界，其中下界通过遵循次优策略获得，而上界通过利用对偶公式获得。与其他基于对偶的上界（通常必须借助嵌套模拟来构造上鞅）不同，当前方法中的鞅无需额外成本即可获得，且不需要任何子模拟。我们通过数值算例展示了该方法在路径依赖期权定价和半静态对冲方面的简便性与高效性。
引用
@article{arxiv.1911.11362,
title = {Neural network for pricing and universal static hedging of contingent claims},
author = {Vikranth Lokeshwar and Vikram Bhardawaj and Shashi Jain},
journal= {arXiv preprint arXiv:1911.11362},
year = {2019}
}