📈 Wirtschaftswissenschaften

Pricing Multi-Asset Options Using Physics-Informed Neural Networks

Diese Studie schlägt ein gitterfreies, physikinformiertes neuronales Netzwerk-Framework (PINN) vor, das das hochdimensionale Black-Scholes-Obstacle-Problem löst, um gleichzeitig amerikanische Optionen auf mehreren Vermögenswerten zu bewerten und deren optimale Ausübungsgrenzen als endogene Hypersurflächen ohne explizite Parametrisierung zu identifizieren.

Ursprüngliche Autoren: Marjan Uddin, Muhammad Usman

Veröffentlicht 2026-10-22

📖 4 Min. Lesezeit☕ Kaffeepausen-Lektüre

CC BY 4.0

Ursprüngliche Autoren: Marjan Uddin, Muhammad Usman

Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

In der Welt der Finanzen kaufen Anleger oft Kontrakte, die ihnen das Recht geben, einen Vermögenswert zu einem bestimmten Preis vor einer Frist zu verkaufen. Dies sind amerikanische Optionen. Im Gegensatz zu einfacheren Kontrakten, die nur an einem einzigen Tag genutzt werden können, bieten amerikanische Optionen einen entscheidenden Vorteil: Der Inhaber kann den exakten Moment wählen, um die Option einzulösen, sofern dies vor dem Verfallsdatum geschieht. Diese Flexibilität macht sie unglaublich wertvoll, aber sie macht sie auch notorisch schwierig zu bepreisen. Die Herausforderung besteht darin, den perfekten Zeitpunkt für die Ausübung der Option zu finden. Wenn der Marktpreis des Vermögenswerts zu stark fällt, könnte es klug sein, sofort zu verkaufen. Wenn der Preis hoch bleibt, ist es besser zu warten. Die Linie, die die „Jetzt verkaufen“-Zone von der „Warten“-Zone trennt, ist kein fester, bekannter Ort; es ist eine bewegliche Grenze, die sich verschiebt, während die Zeit vergeht und sich die Preise der zugrunde liegenden Vermögenswerte ändern. Für einen einzelnen Vermögenswert ist diese Grenze eine einfache Kurve. Aber wenn die Option von einem Korb mehrerer Vermögenswerte abhängt, wie etwa einer Mischung aus verschiedenen Aktien, wird die Grenze zu einer komplexen, mehrdimensionalen Oberfläche, die mit traditionellen mathematischen Werkzeugen unglaublich schwer abzubilden ist.

Die Forscher Marjan Uddin und Muhammad Usman gingen dieses Problem an, indem sie eine moderne computergestützte Technik namens Physics-Informed Neural Network (physik-informiertes neuronales Netz) anwandten. Anstatt sich auf die altmodische Methode zu verlassen, den Marktraum in ein starres Gitter von Punkten zu unterteilen – was bei der Arbeit mit vielen Vermögenswerten unmöglich wird –, trainierten sie ein Computerprogramm darauf, die Regeln des Marktes direkt zu erlernen. Sie lehrten das Netzwerk die grundlegenden Gesetze, die das Verhalten von Optionspreisen bestimmen, insbesondere einen Satz von Gleichungen, die beschreiben, wie sich der Wert über die Zeit und mit den Preisschwankungen verändert. Das Netzwerk wurde zudem angewiesen, die Regel zu respektieren, dass eine Option niemals weniger wert sein darf als das Geld, das man durch einen sofortigen Verkauf erhielte. Indem sie das Netzwerk mit tausenden von Zufallsszenarien statt mit einem festen Gitter fütterten, ermöglichten die Forscher ihm, die Form der unsichtbaren Grenze zu entdecken, an der es optimal ist, die Option auszuüben. Dieser Ansatz vermeidet den „Fluch der Dimensionalität“, ein Problem, bei dem die Komplexität der Berechnungen explodiert, sobald mehr Vermögenswerte hinzugefügt werden, indem er das Netzwerk erlaubt, den Marktraum frei zu beproben.

Das Team testete seine Methode an einer Korboption, die zwei korrelierte Vermögenswerte beinhaltete. In ihren ersten Versuchen hatte der Computer Schwierigkeiten, das richtige Ergebnis zu finden, und lieferte oft Preise, die viel zu hoch waren. Die Forscher entdeckten, dass das Problem nicht in der Architektur des Netzwerks lag, sondern darin, wie sie es lehrten. Sie hatten ein Bestrafungssystem verwendet, das zu stumpf war; es bestrafte das Netzwerk für Fehler in einer Weise, die nicht den tatsächlichen Finanzregeln entsprach. Konkret wurde das Netzwerk gezwungen, Bedingungen in der „Ausübungs“-Region zu erfüllen, die eigentlich nur in der „Warte“-Region gelten sollten, was zu einem Konflikt führte, der ungenaue Ergebnisse zur Folge hatte. Durch eine Reihe sorgfältiger Experimente verfeinerten sie ihren Ansatz. Sie normalisierten die Daten, um die Zahlen handhabbarer zu machen, passten die Art und Weise an, wie sie die Marktszenarien beprobten, um den Fokus auf die kritischen Bereiche nahe der Entscheidungsgrenze zu legen, und gestalteten vor allem die Straffunktion neu, um der einseitigen Natur des Problems Rechnung zu tragen. Sie erkannten, dass in der Region, in der es am besten ist, die Option zu halten, der Preis den Marktgesetzen folgen muss, während in der Region, in der es am besten ist, sie zu verkaufen, der Preis einfach dem Auszahlungsbetrag entspricht und die Marktgesetze nicht in gleicher Weise Anwendung finden müssen.

Nachdem sie diese mathematischen Missverständnisse korrigiert hatten, lieferte das Netzwerk ein Endergebnis von etwa 7,87 $. Dieses Ergebnis stellte eine Überschätzung von etwa 14 % gegenüber dem Benchmark-Preis von 6,90 $ dar, der mittels der Longstaff–Schwartz Monte-Carlo-Methode berechnet wurde. Obwohl dies das am nächsten herankommende Ergebnis während der gesamten Untersuchung war und innerhalb der typischen numerischen Diskretisierungsfehlers schwankte, anstatt auf ein strukturelles Versagen hinzudeuten, merkten die Autoren an, dass der PINN-Ansatz nur dann mit klassischen Monte-Carlo-Methoden konkurrenzfähig ist, wenn sein Verlustfunktional die zugrunde liegende Variationsungleichung korrekt kodiert. Die Studie zeigte, dass neuronale Netze zwar großes Potenzial für die Preisgestaltung dieser komplexen Finanzinstrumente besitzen, ihr Erfolg jedoch vollständig davon abhängt, die korrekte mathematische Logik in den Trainingsprozess einzubetten. Die Forscher fanden heraus, dass es nicht ausreichte, einfach mehr Daten oder mehr Rechenleistung auf das Problem anzuwenden; das Modell musste durch ein präzises Verständnis dessen geleitet werden, wo sich die Regeln des Spiels ändern. Indem sie die zugrunde liegende Physik des Problems korrekt erfassten, zeigten sie, dass diese Netzwerke effektiv die unsichtbaren Grenzen abbilden können, die den Wert von Multi-Asset-Optionen diktieren, und bieten damit ein leistungsstarkes neues Werkzeug zur Navigation in hochdimensionalen Finanzmärkten.

Technische Zusammenfassung: Preisgestaltung von Multi-Asset-Optionen mittels Physics-Informed Neural Networks

Problemstellung
Die Arbeit befasst sich mit der Bewertung von amerikanischen Optionen auf mehrere zugrunde liegende Vermögenswerte ( $d > 1$ ), wie etwa Basket-, Spread- oder Rainbow-Optionen. Im Gegensatz zu europäischen Optionen erlauben amerikanische Optionen eine vorzeitige Ausübung, was das Preisgestaltungsproblem in ein Free-Boundary-Problem (Problem mit freier Randbedingung) verwandelt. Der Optionswert muss die Black–Scholes-Partielle Differentialgleichung (PDE) in einer „Kontinuationsregion“ (in der das Halten optimal ist) erfüllen, während er gleichzeitig durch den intrinsischen Payoff in einer „Ausübungsregion“ (in der die sofortige Einlösung optimal ist) beschränkt bleibt. Die Grenze, die diese Regionen trennt, ist im Voraus nicht bekannt.

Während Probleme mit einem einzelnen Asset ( $d=1$ ) effektiv mit Methoden wie Finite-Differenzen, Binomialbäumen und Radial Basis Functions (RBF) gelöst werden können, stellt die Erweiterung auf hohe Dimensionen ein Problem der „Fluch der Dimensionalität“ dar. Insbesondere traditionelle gitterbasierte oder knotenbasierte Quasi-Interpolationsverfahren (z. B. Hon und Schaback, 2002) leiden unter einem exponentiellen Anstieg der Komplexität ( $O(N^d)$ ), wenn die Anzahl der Assets zunimmt, was sie für $d > 1$ rechnerisch untragbar macht.

Methodik
Die Autoren schlagen ein Framework auf Basis von Physics-Informed Neural Networks (PINN) vor, um den Optionswert und die optimale Ausübungsgrenze ohne explizite Netzgenerierung zu approximieren.

Mathematische Formulierung:
- Das Problem wird in Log-Preis-Koordinaten ( $x_i = \log S_i$ ) formuliert, um den Diffusionsterm zu symmetrisieren und Variablenkoeffizienten in Konstanten umzuwandeln.
- Das Preisgestaltungsproblem wird als Variationsungleichung oder als lineares Komplementaritätsproblem ausgedrückt:
  $\min\left( -\frac{\partial u}{\partial t} + \mathcal{L}u, \, u - g \right) = 0$
  wobei $\mathcal{L}$ der Multi-Asset-Black–Scholes-Operator ist, $u$ der Optionswert und $g$ der Payoff. Dies impliziert, dass entweder der PDE-Residual null ist (Kontinuationsregion) oder der Optionswert dem Payoff entspricht (Ausübungsregion), wobei stets $u \geq g$ gilt.
Neuronale Netzwerkarchitektur:
- Ein Feed-Forward-Netzwerk mit glatten Aktivierungsfunktionen (speziell tanh) approximiert den Optionswert $u_\theta(S, t)$ .
- Automatische Differenzierung wird verwendet, um die notwendigen ersten und zweiten Ableitungen für den PDE-Operator zu berechnen, wodurch der Bedarf an festen Basisfunktionen entfällt.
Verlustfunktion und Training:
- Das Netzwerk wird trainiert, indem eine gewichtete Summe aus vier Residualtermen minimiert wird:
  1. PDE-Residual: Erzwingt die Black–Scholes-Gleichung im Inneren.
  2. Terminalbedingung: Verankert die Lösung am Payoff zum Zeitpunkt des Ablaufs.
  3. Randbedingungen: Erzwingt das Verhalten an den Grenzen der Asset-Preise (z. B. Null oder Unendlich).
  4. Obstacle/Early-Exercise-Bedingung: Bestraft Verletzungen, bei denen $u < g$ .
- Sampling: Anstatt eines festen Gitters werden Kollokationspunkte aus Low-Discrepancy-Sequenzen (Sobol oder Latin Hypercube) über den Raum-Zeit-Bereich gesampelt. Dies ermöglicht es, dass die Anzahl der Punkte mit der Dimension $d$ günstiger skaliert als bei Tensorprodukt-Gittern.
- Rekonstruktion der Ausübungsgrenze: Die optimale Ausübungsgrenze wird a posteriori als die Null-Level-Set identifiziert, bei der der vorhergesagte Wert dem intrinsischen Payoff entspricht ( $u_\theta - g = 0$ ), was eine $(d-1)$ -dimensionale Hypersurface bildet.

Experimentelle Ergebnisse und Diagnoseprozess
Die Autoren führten eine umfassende Diagnose-Studie an einer amerikanischen Basket-Put-Option mit zwei Assets unter Verwendung von MATLAB durch. Die Arbeit detailliert eine Progression von acht experimentellen Durchläufen und hebt hervor, dass die architektonischen Entscheidungen allein nicht ausreichten; die mathematische Formulierung der Verlustfunktion war entscheidend.

Anfängliche Misserfolge (Durchläufe 1–3): Frühe Versuche unter Verwendung von Standard-Squared-Hinge-Penalties für die Obstacle-Bedingung und unnormalisierten Inputs führten zur Divergenz oder zu einer signifikanten Überschätzung des Optionspreises (z. B. 12,58 vs. eines Monte-Carlo-Referenzwertes von 6,90). Das Netzwerk neigte dazu, Werte aufzublähen, um die „Größer-als“-Bedingung zu erfüllen, ohne den PDE-Residual korrekt auszubalancieren.
Sampling und Stabilität (Durchläufe 4–7): Anpassungen wie Near-Strike-Sampling, adaptives Resampling und die Variation der Verlustlandschaft (z. B. Verwendung einer einzigen Variationsungleichungs-Term) konnten das Problem nicht lösen. Tatsächlich führte adaptives Resampling basierend auf aktuellen Residuals zu einer schlechteren Performance (30,77), und Variational-Inequality-Verluste führten zu Instabilität. Durchlauf 6, der stabile Hinge-basierte Obstacles mit Near-Strike-Sampling kombinierte, scheiterte ebenfalls und lieferte einen Preis von 12,96 mit flachen Greeks.
Der Durchbruch (Durchlauf 8): Die erfolgreiche Konfiguration beruhte auf der Korrektur eines theoretischen Missverständnisses in der Verlustfunktion:
1. Einseitige PDE-Strafe: Der PDE-Residual wird nur bestraft, wenn er negativ ist (in der Kontinuationsregion), was es ihm erlaubt, in der Ausübungsregion, in der die PDE streng genommen nicht gilt, positiv zu sein.
2. Fischer–Burmeister-Komplementarität: Anstelle einer nicht-glatten min-Funktion oder einer einfachen Hinge-Funktion wurde eine glatte Fischer–Burmeister-Funktion verwendet, um die Komplementaritätsbedingung ( $gap \ge 0, F \ge 0, gap \cdot F = 0$ ) zu erzwingen.
3. Normalisierung: Inputs und Outputs wurden durch den Strike-Preis $K$ normalisiert.

Endergebnis:
Mit der korrigierten Verlustfunktionalität (Durchlauf 8) erreichte das PINN einen Preis von 7,87 für den Basket-Put, verglichen mit dem Longstaff–Schwartz Monte Carlo Referenzwert von 6,90. Dies entspricht einer Überschätzung von etwa 14 %. Die Autoren merken an, dass dies zwar eine signifikante Verbesserung gegenüber früheren Durchläufen darstellt, der anfängliche Vergleich jedoch eine „deutliche Diskrepanz“ zwischen den Ansätzen aufzeigte und das Endergebnis eine Überschätzung bleibt, die spezifische theoretische Korrekturen erfordert, um den Referenzwert zu erreichen. Die Greeks (Deltas) stimmten ebenfalls besser mit dem Referenzwert überein.

Bedeutung und Ansprüche
Das Paper behauptet, dass das PINN-Framework eine gitterfreie Methodik bietet, die in der Lage ist, hochdimensionale amerikanische Optionspreisberechnungen zu handhaben, bei denen traditionelle gitterbasierte Methoden aufgrund des Fluchs der Dimensionalität versagen.

Der primäre Beitrag liegt nicht bloß in der Anwendung neuronaler Netze, sondern in der rigorosen Identifizierung der mathematischen Struktur, die für die Verlustfunktion erforderlich ist. Die Autoren zeigen, dass für Free-Boundary-Probleme die Verlustfunktion die Variationsungleichung korrekt kodieren muss, insbesondere indem sie respektiert, dass der PDE-Residual und die Obstacle-Bedingung nicht überall gleichzeitig verschwinden müssen. Die Studie kommt zu dem Schluss, dass der PINN-Ansatz nur dann mit klassischen Monte-Carlo-Methoden konkurrenzfähig ist, wenn seine Verlustfunktionalität die zugrunde liegende Variationsungleichung korrekt kodiert, und nicht davor. Dies unterstreicht, dass der allgemeine Ansatz spezifische theoretische Korrekturen an der Verluststruktur erfordert, um Genauigkeit zu erreichen, und nicht von Natur aus in seiner Standardformulierung konkurrenzfähig ist.

Technische Zusammenfassung: Preisgestaltung von Multi-Asset-Optionen mittels Physics-Informed Neural Networks

Mehr davon