A deep learning method for solving American double Heston model

ملخص تقني: طريقة التعلم العميق لحل نموذج "هستون المزدوج" الأمريكي

بيان المشكلة
تتناول الورقة التحدي الحسابي المتمثل في حل نموذج "هستون المزدوج" الأمريكي، وهو مشكلة مشتقات مالية معقدة تتميز بكونها مسألة حدود حرة (free boundary problem). يتضمن النموذج عاملين للتباين العشوائي، وفي شكله الموسع، سعر فائدة عشوائي (يتم نمذجته عبر عملية "كوكس-إنجرسول-روس"). تكمن الصعوبة الأساسية في تحديد دالة القيمة، وحدود التمرين المبكر (سطح حد حر)، و"اليونانيات" (Greeks - الحساسيات) في آن واحد عبر فضاء حالة عالي الأبعاد. غالبًا ما تعاني الطرق العددية التقليدية، مثل طرق الفروق المحدودة أو العناصر المحدودة، من "لعنة الأبعاد" وتجزئة حدود المشتقات المختلطة، مما قد يؤدي إلى عدم الاستقرار أو التذبذبات. علاوة على ذلك، فإن النهج التحليلية أو شبه التحليلية الموجودة (مثل التوسعات التقاربية) تعتمد غالبًا على افتراضات أو تقريبات محددة قد تحد من دقتها أو قابليتها للتطبيق.

المنهجية
يقترح المؤلفون إطار عمل للتعلم العميق يعتمد على استراتيجية "خليط الحلول" (Mixture of Solutions - MoS)، باستخدام تجميع ضربي لشبكات فرعية. تنقسم المنهجية إلى تكوينين رئيسيين:

1. صياغة النموذج والتحويل:

• تم صياغة المشكلة أولاً كنظام من المعادلات التفاضلية العشوائية (SDEs) المرتبطة ومعادلة تفاضلية جزئية (PDE) ثلاثية الأبعاد (سعر فائدة ثابت) أو رباعية الأبعاد (سعر فائدة عشوائي).
• للتعامل مع الحد الحر، استخدم المؤلفون تحويلاً لوغاريتميًا ($x = \ln(S/\hat{s}_f)$) لتحويل مسألة الحد المتحرك إلى مسألة حد ثابت-حر.
• تم تطبيع دالة القيمة بواسطة سعر التنفيذ $K$، وتطبيع النطاق الزمني إلى $[0, 1]$.
• والأهم من ذلك، لا يفرض المؤلفون شروط حدود بعيدة صريحة (على سبيل المثال، عند $S \to \infty$ أو $\upsilon \to 0$). بدلاً من ذلك، يتم تعلم سلوكيات هذه الحدود ضمنيًا من خلال بقايا المعادلة التفاضلية الجزئية (PDE residual) في دالة الخسارة.

2. بنية الشبكة العصبية (MLA-MoS):
   تتكون البنية المقترحة، والتي تسمى MLA-MoS (المُقرب التعلم النمطي مع خليط الحلول)، من ثلاث شبكات فرعية تتفاعل مع بعضها البعض عبر التجميع الضربي:

• الشبكة الفرعية 1 ($T$): شبكة تعتمد على الزمن تأخذ $\tau$ كمدخل، مصممة لفرض الشروط النهائية.
• الشبكة الفرعية 2 ($R$): شبكة مكانية تأخذ متغيرات الحالة (الزمن، السعر اللوغاريتمي، التباينات، وسعر الفائدة) كمدخلات.
• الشبكة الفرعية 3 ($Q$): شبكة تفاعلية تأخذ حدود التباين ($\upsilon_1, \upsilon_2, \upsilon_1\upsilon_2$) كمدخلات لنمذجة التفاعل بين عوامل التقلب.
• التجميع: المخرج النهائي هو مجموع مرجح لمخرجات الشبكات الفرعية، مُعدل بواسطة حد أسي يتضمن الشبكة الفرعية الثالثة. يضمن هذا الهيكل عدم السالبية ويسمح للشبكة باستيفاء شروط محددة (مطابقة القيمة والالتحام السلس - Value Matching and Smooth Pasting) عبر حد "روبن" الحدودي (Robin boundary term) في دالة الخسارة.
• دالة الخسارة: تتكون دالة الخسارة من بقايا المعادلة التفاضلية الجزئية (التي تفرض المعادلة الحاكمة) وحد حدودي يربط بين شروط مطابقة القيمة والالتحام السلس عند حد التمرين المبكر.

3. أخذ العينات والتحسين:

• لمعالجة التفرد (singularity) في "جاما" و"دلتا" بالقرب من الزمن النهائي وحد التمرين المبكر، استخدم المؤلفون استراتيجية "تمدد الشبكة" (grid stretching) بناءً على دالة الجيب الزائني ($\sinh$). تعمل هذه الاستراتيجية على تركيز نقاط أخذ العينات بالقرب من المناطق الحرجة (مثل $t=0$ و $S=K$).
• يتم تدريب النماذج باستخدام مُحسن Adam مع اضمحلال أسي لمعدل التعلم. تُستخدم الاشتقاقات التلقائية (Automatic differentiation) لحساب المشتقات الجزئية المطلوبة لدالة خسارة المعادلة التفاضلية الجزئية، مما يتجنب الحاجة إلى مخططات التجزئة العددية.

المساهمات الرئيسية
تسلط الورقة الضوء على المساهمات المحددة التالية:

• إطار عمل قابل للتفسير: تقديم إطار تعلم عميق تفاعلي ونمطي (MLA-MoS) مصمم خصيصًا لنموذج "هستون المزدوج" الأمريكي كمسألة حد حر.
• التنبؤ المتزامن: القدرة للشبكات المدربة (MLA-MoS-1 لسعر الفائدة الثابت، و MLA-MoS-2 لأسعار الفائدة العشوائية) على التنبؤ في آن واحد بسطح حد التمرين المبكر، ودالة القيمة، واليونانيات (Delta, Gamma, Vega).
• التعامل التكيفي مع الحدود: تنفيذ حد أسي تكيفي يعمل كـ "خليط من الخبراء" للتحكم في سلوك قيمة الخيار بالقرب من الحدود اليمنى الاصطناعية، مما يلغي الحاجة إلى شروط حدود بعيدة محددة مسبقًا.
• تكامل حد "روبن": الدمج الصريح لشروط الالتحام السلس ومطابقة القيمة في دالة الخسارة كحد "روبن" حدودي، مما يضمن الاتساق الفيزيائي عند حد التمرين.
• مشتقات غير مجزأة: الاعتماد على الاشتقاق التلقائي للمشتقات الجزئية، مما يتجنب عدم الدقة العددية المرتبطة بتجزئة المشتقات المختلطة والمتقاربة الشائعة في الطرق القائمة على الشبكات (mesh-based methods).

النتائج التجريبية
يتحقق المؤلفون من صحة الطريقة من خلال تجارب عددية تقارن تنبؤات التعلم العميق بالطرق القائمة:

• سعر الفائدة الثابت (MLA-MoS-1): تمت مقارنة النتائج مع طريقة التوسع التقاربي (Zhang and Feng [37]) وطريقة المربعات الصغرى (LSM). أظهرت تنبؤات MLA-MoS-1 لدالة القيمة وحد التمرين المبكر اتساقًا عاليًا مع هذه المعايير، حتى عند تدريبها على مجموعات بيانات ممددة وصغيرة نسبيًا (مثلاً $14 \times 14 \times 14 \times 14$ نقطة).
• سعر الفائدة العشوائي (MLA-MoS-2): تم اختبار الطريقة على نموذج ذي أربعة عوامل مع مصفوفات ارتباط متفرقة وكثيفة.
  • في حالة الارتباط المتفرق، تمت مقارنة النتائج مع خوارزمية AECV (Zhang and Zhang [38])، وطريقة SWIFT (Shoude and Guo [30])، وطريقة LSM. وُجد أن نتائج MLA-MoS-2 معقولة ومتسقة مع هذه الطرق الراسخة.
  • في حالة الارتباط الكثيف (حيث تكون جميع عوامل الارتباط غير صفرية)، أنتج النموذج تنبؤات معقولة، وإن كان المؤلفون قد أشاروا إلى أن البنية الكثيفة أدخلت المزيد من التباين مقارنة بالحالة المتفرقة، مما يشير إلى أن بنية الارتباط تؤثر بشكل كبير على دقة الحل.
• التحليل النوعي: أكدت التصورات البيانية لدالة القيمة، واليونانيات، وأسطح حدود التمرين المبكر أن الأسطح تسلك السلوك المتوقع نظريًا (مثل Delta في النطاق $[-1, 0]$، وGamma وVega موجبان). كما أظهرت الدراسة أن استراتيجية تمدد الشبكة حاسمة؛ فبدونها، يتدهور الأداء التنبئي بشكل كبير.

الأهمية والادعاءات
تضع الورقة أهميتها في سياق حل المسائل عالية الأبعاد ذات الحدود الحرة في التمويل. يدعي المؤلفون أن نهجهم يقدم بديلًا مرنًا للطرق العددية التقليدية من خلال:

1. تبسيط تصميم الشبكة: من خلال تعلم قيم الحدود البعيدة من بقايا المعادلة التفاضلية الجزئية بدلاً من فرضها، تقلل الطريقة من تعقيد التعامل مع الشروط الحدودية.
2. تحسين الدقة: استخدام الاشتقاق التلقائي وتمدد الشبكة يخفف من المشكلات المتعلقة بتجزئة المشتقات المختلطة والتفردات عند حد التمرين.
3. القابلية للتوسع: تُظهر الطريقة قدرتها على التعامل مع سيناريوهات سعر الفائدة الثابت والعشوائي ضمن إطار عمل موحد للتعلم العميق.

يختتم المؤلفون بتواضع، مشيرين إلى أنه بينما تعد النتائج الحالية واعدة، فإن العمل المستقبلي سيركز على توسيع الإطار للتعامل مع البارامتري الكامل للمتغيرات والمعلمات (بما في ذلك عوامل الارتباط) للسماح بالاستدلال عبر نطاق أوسع من ظروف السوق، مع الإقرار بأن هذا سيزيد من تعقيد الشبكة.