基于希尔伯特空间神经网络的通量远期期权定价
证券定价
2022-02-24 v1 机器学习
概率论
摘要
我们提出了一种通过应用无限维神经网络为通量远期期权定价的新方法。我们将定价问题重新表述为定义在正实数轴上的实值函数构成的希尔伯特空间中的优化问题,该空间是期限结构动力学的状态空间。这一优化问题通过一种新颖的前馈神经网络架构得以求解,该架构专为逼近状态空间上的连续函数而设计。所提出的神经网络构建于希尔伯特空间的基之上。我们提供了一个广泛的案例研究,显示出优异的数值效率,其性能优于通过在采样期限结构曲线上训练的经典神经网络。
引用
@article{arxiv.2202.11606,
title = {Pricing options on flow forwards by neural networks in Hilbert space},
author = {Fred Espen Benth and Nils Detering and Luca Galimberti},
journal= {arXiv preprint arXiv:2202.11606},
year = {2022}
}
备注
21 pages, 5 figures