本文提出了一种基于深度学习的时间步进梯度流(TDGF)方法,将期权定价偏微分方程转化为能量最小化问题,通过逐步时间离散并利用深度神经网络近似求解。该方法在处理高维Markovian近似粗波动率模型时表现出高效性和良好精度,特别应用于提升的Heston模型,整体误差约为10−3,且训练时间较现有方法显著缩短 。
报告标题:
A Time-Stepping Deep Gradient Flow Method for Option Pricing in (Rough) Diffusion Models
作者:
Antonis Papapantoleon 和 Jasper Rou
发布机构:
荷兰代尔夫特理工大学应用数学研究所(Delft Institute of Applied Mathematics)
报告主题:
本文聚焦于金融衍生品定价,特别是利用深度学习方法解决在Markovian近似的粗糙波动率模型下的欧式期权定价问题。核心议题涉及将涉及期权定价的偏微分方程(PDE)转化为可通过深度神经网络优化求解的能量最小化问题,并提出一种基于时间步进的深度梯度流算法。
核心论点与贡献:
总体目标是提供一种既准确又高效,可扩展至高维和复杂粗糙波动率环境的期权定价工具。,1]
此背景说明了金融领域对解决复杂粗糙波动率模型定价及其高维性挑战的需求和现有方法的限制。,1]
[ u_t + \mathcal{A}u + r u = 0, \quad u(0,x) = \Psi(x), ]
其中算子A为
[ \mathcal{A}u = -\sum_{i,j=0}^n a^{ij} \frac{\partial^2 u}{\partial x_i \partial x_j} + \sum_{i=0}^n \beta^i \frac{\partial u}{\partial x_i}. ]
[ \mathcal{A}u = -\nabla \cdot (A \nabla u) + \mathbf{b} \cdot \nabla u, ]
其中A是对称矩阵,b整合了漂移项和扩散系数的空间导数。
该PDE形式是后续能量最小化和深度学习方法的基础。,3]
核心三步:
[ \frac{U^k - U^{k-1}}{h} - \nabla \cdot (A \nabla U^k) + F(U^{k-1}) + r U^k = 0, ]
其中非对称部分F(u)=b⋅∇u处理显式采用前一时刻的函数值。
证明Uk作为解是以下能量泛函的极小点:
[ I^k(u) = \frac{1}{2} | u - U^{k-1}|{L^2(\Omega)}^2 + h \int{\Omega} \frac{1}{2} \left( (\nabla u)^T A (\nabla u) + r u^2 \right) + F(U^{k-1}) u , dx, ]
该能量由距离项和Dirichlet能量组成。
本方法的创新是结合了时间步进的深度梯度流框架和能量最小化表述,避免了高阶导数计算从而提高训练效率。,4,5]
Black–Scholes模型:资产价格服从几何布朗运动,PDE及其算子形式简单明确,为方法验证提供基准。
Heston模型:二元随机波动率模型,包含资产价格和方差两个变量,随机波动率使PDE高维复杂。
提升的Heston模型:以卷积形式Markovian近似粗糙Heston模型,变量维度为n+1,其中n个方差分量,模型结构复杂。其方差过程为多因子系统,能模拟粗糙波动行为,且该模型是非Markovian粗糙模型的主要近似。
对于每个模型均明确推导了生成算子A的系数,验证了能量最小化假设中矩阵A的对称正定性质。,6,7]
利用金融学中期权价格的无套利下界,以及极大资产价格阶段价格的线性增长性质,将神经网络用于拟合价差(即期权价格减去无套利下界),简化拟合难度。
对于大于某阈值xp(如moneyness为2)的输入,利用价格线性增长补充边界条件,减少网络对极端值的学习压力。
使用moneyness替代资产价格和行权价的独立输入,降低输入空间维度。
网络结构借鉴DGM方法,采用3层50神经元的“DGM层”,激活函数为tanh(隐藏层)和softplus(输出层),保证价格非负且契合金融性质。
时间步数取100,每步采样2000次,每次600个样本/维度,训练通过Adam以0.0003学习率进行。
训练在高性能计算机DelftBlue上基于Tesla V100S GPU完成。
该部分中特别强调了利用金融理论信息融入神经网络结构与训练策略以加快收敛和提升精度。
精度对比:TDGF方法与DGM方法相比,在Black–Scholes和Heston模型中均取得小于10−3级别的相对L2误差和最大绝对误差。DGM在Heston模型稍占优,但TDGF误差稳定且小。
在提升Heston模型中,随着方差分量数n增加(如n=1,5,20),误差均有所增加,但仍控制在约10−3量级内,证明方法具有一定高维适应性。
增加资产与方差过程的相关性会使误差升高,特别是在方差分量和关联同时较大时,这一局限性给未来研究提出挑战。
效率对比:TDGF的训练时间明显快于DGM,且随着维度增加,TDGF训练时间几乎不增加,表现出更好的可扩展性。
计算时间(推断速度)方面,TDGF也优于DGM,并显著快于传统基于Riccati方程和COS方法的数值定价,证明了其具有可用于实际交易系统的潜力。
表6.1与6.2明确量化了训练与计算时间的差异,体现了TDGF的高效优势。
深度学习方案的一个限制是参数修改后模型需重新训练,整体时长可能大于传统数值方法,但推断速度极快。
完整数值结果展现了TDGF在不同模型及维度下的准确性与优异效率。,10,11,12,13]
通过时间步进的梯度流变分表述,将高维期权定价PDE成功转化为仅涉及一阶导数的能量最优化问题,简化了训练复杂度。
TDGF方法在数值实验展现出优异性能,误差约10−3,训练与计算时间显著优于标准DGM方法。
该方法适合Markovian近似粗糙波动率模型,在多维情况下准确且高效,适合解决实际金融工程中的期权定价问题。
随着方差维度和变量相关性的增加,误差有所升高,暗示该领域仍有改进空间,未来研究将关注高相关高维情况的数值算法开发。
该结论总结了方法贡献及局限,并指出未来发展方向。
图6.3
图6.4
图6.5(n=1, ρ=−0.7)
图6.6(n=5, ρ=−0.2)
| 模型 | Black-Scholes | Heston | Lifted Heston, n=1 | Lifted Heston, n=5 | Lifted Heston, n=20 |
|---|---|---|---|---|---|
| 训练时间(秒) | |||||
| DGM | 7000 | 12200 | 12500 | 21000 | 54300 |
| TDGF | 3800 | 5800 | 5900 | 6300 | 7400 |
| 计算时间(秒) | |||||
| Exact/COS | 0.0015 | 0.013 | 9.1 | 9.5 | 10.0 |
| DGM | 0.0086 | 0.0015 | 0.0043 | 0.0052 | 0.0015 |
| TDGF | 0.0018 | 0.0018 | 0.0019 | 0.0019 | 0.0018 |
报告中未直接进行估值目标准则的详细讨论,但本质是通过求解期权价格的PDE得到价格,体现为对无套利价的估值。方法利用的估值工具和技术包括:
该方法是基于变分问题的数值值估值方法,侧重于数值求解方案而非传统闭式估值或模拟估值方案,是一种创新的黑盒数值估值策略。,4]
报告识别并讨论了以下风险或限制因素:
报告对于这些风险给予了部分缓解建议,例如采用非均匀时间网格、利用金融理论辅助学习等,但整体需未来算法创新突破。,3,8,12,13]
总之,报告在问题建模及算法设计上稳健、创新,实验充分但对极端条件和广义应用的探讨仍有限,需结合实际应用中多样条件审慎推广。,11,13]
本文提出的基于时间步进的深度梯度流(TDGF)方法,创新地将欧式期权定价PDE转化为逐步能量最小化问题,通过训练一系列深度神经网络逐步逼近定价函数。该方法在数学上巧妙利用变分原理,实现只涉及一阶空间导数的损失函数,极大降低了训练复杂度。
数学建模创新:
明确了PDE空间算子拆分和时间显式处理策略,构建了凸能量泛函作为训练目标,理论严谨且使训练效率提升显著。
深度学习策略创新:
采用时间步进的网络参数初始化,结合金融理论约束(如无套利下界、线性增长条件)辅助训练,克服了高维输入空间和复杂边界条件的挑战。
数值实验表现出色:
在Black–Scholes、Heston及高维提升Heston模型中,TDGF取得了10−3量级的定价误差,训练与推断时间均优于主流DGM方法,尤其在高维时展现稳定的训练时间和良好扩展性。
局限及挑战:
随维度和相关性增加,误差有所上升,凸显未来应开发适应强相关高维环境的改良算法;此外,模型参数变更时重新训练需求限制快速响应能力。
金融与数值意义:
提供了一种理论与实践兼具的高效期权定价方法,尤其对于包含粗糙波动率特征的复杂资产,具有潜在的实际应用价值,同时为深入探索利用深度学习解决高维随机控制和估值问题提供了框架。
综上所述,该报告系统而详实地展示了TDGF方法的理论基础、实现细节和应用效果,其探索为金融数学中深度学习与随机波动率模型结合的前沿发展做出了重要贡献,~13]。以下附所有关键图表以供直观理解:
此系列图表生动反映了算法性能和定价精度的全貌。
该报告深度建构并验证了一种面向粗糙波动率高维期权定价的新型深度学习数值方法,兼具理论创新与实践优势,为金融衍生品定价领域注入了新的动力,显示了深度学习在复杂数学金融问题中广阔的应用前景。
2403.00746.pdf