加载中...
本文提出用于参数化期权定价模型(以Heston为例)的“选择性遗忘/机器去学习”算子框架:基于Gauss–Newton法,识别并缓存每条报价的充分统计量(u_i, ψ_i),从而可在不重访原始数据的情况下通过代数减法精确移除样本影响;给出局部精确性、稳定性和误差界,并证明在固定线性化点上快速重构与完整重训练数值一致且在实践中可获得数阶量级的加速 .
| F(%) | Retrain (median) | Recompute (median) | Fast (median) | RMSE kept | Speedup (fast/retrain) |
|---|---|---|---|---|---|
| 1% | 21.06 s | 20.44 s | 174.2 μs | 0.00049 | x120,886.6 |
| 2% | 18.36 s | 18.05 s | 242.8 μs | 0.00049 | x75,639.3 |
| 5% | 17.71 s | 17.53 s | 436.9 μs | 0.00049 | ×40,414.3 |
| 10% | 16.79 s | 16.61 s | 882.0 μs | 0.00049 | x19,268.7 |
| 25% | 14.31 s | 13.93 s | 2.12 ms | 0.00050 | x6,565.9 |
元数据与概览(引言与报告概览)
逐节深度解读
关键命题与理论解析(含稳定性与误差界)
图表与表格的深度解读(逐一)
风险因素与局限性评估
批判性视角与细微差别
结论性综合(要点汇总)
总体评价:论文清晰地将机器撤销的算子观点引入期权/衍生品模型校准问题,识别并利用 GN 正则方程的充分统计结构,既给出数学命题与误差/稳定性界,又以合成 Heston 实验展示了显著的工程价值;主要局限来自“固定线性化”假设与真实市场/复杂合约推广上的额外工作,但论文为在金融模型管理中加入“可审计的删除算子”提供了坚实且易于工程化的起点(, )。
2511.14980.pdf