定价和全局静态对冲容错索赔的神经网络
摘要：用基于回归层的蒙特卡洛方法结合神经网络，为定价高维度的相关要约提供了一种解决方案。所选择的神经网络架构能够解释模型结果，在金融领域中非常有用。具体来说，我们的解释表明，在马尔科夫假设和无套利条件下，任何相关要约（可能是高维度和路径依赖的）可以使用一组短期期权的投资组合进行半静态对冲。我们展示了如何利用该方法得到真实价格的上下限，其中下限通过遵循一个次优策略获得，而上限通过利用对偶表达式获得。与其他基于对偶性的上限方法不同，在当前方法中，用于构造超级鞅的鞅不会产生额外的成本，也不需要任何子模拟。通过数值实例，我们展示了该方法在路径依赖期权的定价和半静态对冲中的简单和高效性。
作者：Vikranth Lokeshwar, Vikram Bhardawaj, Shashi Jain
论文ID：1911.11362
分类：Computational Finance
分类简称：q-fin.CP
提交时间：2019-11-27