深度重要性采样
摘要：路径依赖重要性采样算法的通用表示，Girsanov引起的路径空间上的概率变化由以轨迹的过去作为输入的神经网络序列表示。在每个学习步骤中，神经网络参数被训练以减小由该测度变化引起的蒙特卡洛估计方差。这允许用于减小任何路径依赖金融回报的方差的通用路径依赖测度变化。我们在数值实验中表明，对于包含看涨期权、看涨期权和看跌期权的非对称组合、看涨期权和看跌期权的对称组合、多票息自动清算或单票息自动清算的回报，我们能够将蒙特卡洛估计器的方差减小2至9倍。数值实验还表明，该方法对参数值的变化非常稳健，这意味着实际中可以离线训练，每周更新一次。
作者：Benjamin Virrion (CEREMADE)
论文ID：2007.02692
分类：Computational Finance
分类简称：q-fin.CP
提交时间：2020-07-08