随机波动模型的快速量化
摘要：递归边际量化（RMQ）允许快速逼近一维随机微分方程的解。当应用于两因子模型时，RMQ效率低下，因为通常采用随机方法（如Lloyd算法或竞争学习向量量化）来进行优化问题的求解。本文提出了一种新的算法，使RMQ能够应用于两因子随机波动率模型，并保持梯度下降技术的效率。通过边际化波动率过程的潜在实现，相比当前的量化方法，可以显著减少计算工作量。此外，采用正确的零边界行为建模技术，使得新算法可以应用于之前方法会失败的情况。该提议的技术在Heston模型和Stein-Stein模型的欧式期权上有所示范，而更详细的应用案例是在流行的SABR模型中，还定价了各种异国期权。
作者：Ralph Rudd, Thomas A. McWalter, Joerg Kienitz, Eckhard Platen
论文ID：1704.06388
分类：Mathematical Finance
分类简称：q-fin.MF
提交时间：2017-04-24