📊 statistiques

A deep learning method for solving American double Heston model

Cet article propose un cadre d'apprentissage profond utilisant l'ensemble multiplicatif de réseaux de neurones (MLA-MoS-1 et MLA-MoS-2) pour résoudre simultanément le modèle américain double Heston sous des taux d'intérêt constants et stochastiques, prédisant efficacement la frontière d'exercice anticipé, les valeurs des options et les Grecs.

Auteurs originaux : Chinonso Nwankwo, Weizhong Dai

Publié 2026-10-16

📖 7 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Chinonso Nwankwo, Weizhong Dai

Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Dans le monde de la finance, prédire le prix futur d'une action est un pari à enjeux élevés. Les investisseurs s'appuient sur des modèles mathématiques pour déterminer la juste valeur des options, qui sont des contrats donnant au détenteur le droit, mais pas l'obligation, d'acheter ou de vendre un actif à un prix spécifique à une date donnée. Contrairement aux options standards qui ne peuvent être exercées qu'à la toute fin de leur vie, les options de style américain peuvent être achetées ou vendues à tout moment avant leur expiration. Cette flexibilité introduit un casse-tête complexe : à quel moment précis et à quel prix de l'action un investisseur doit-il choisir d'exercer l'option pour maximiser son profit ? Ce point de décision est connu sous le nom de frontière d'exercice anticipé. Pour résoudre cela, les mathématiciens utilisent des équations qui décrivent comment les prix des actifs et leur volatilité — la mesure de la manière dont les prix oscillent violemment — évoluent au fil du temps. Lorsque ces modèles deviennent suffisamment sophistiqués pour tenir compte de deux sources différentes de volatilité et même de taux d'intérêt fluctuants, les équations deviennent incroyablement difficiles à résoudre, nécessitant souvent une puissance de calcul massive et imposant des hypothèses simplificatrices qui peuvent réduire la précision.

Une équipe de chercheurs de l'Université de Calgary et de l'Université Tech de Louisiane a développé une nouvelle approche pour s'attaquer à ce défi spécifique en utilisant une forme d'intelligence artificielle connue sous le nom d'apprentissage profond (deep learning). Ils se sont concentrés sur un modèle financier complexe appelé le modèle de Heston double américain, qui tente de capturer la réalité selon laquelle les prix des actifs sont influencés par deux sources distinctes et interactives de volatilité, et dans certains cas, par des taux d'intérêt qui changent au fil du temps. Au lieu d'essayer de résoudre les équations difficiles directement avec des méthodes traditionnelles basées sur des grilles, qui peuvent être rigides et sujettes à des erreurs lors de changements brusques, les chercheurs ont entraîné un réseau de neurones. Il s'agit d'un type de programme informatique inspiré par le cerveau humain, capable d'apprendre des modèles à partir de données. Leur objectif était d'enseigner à ce réseau à prédire simultanément trois choses critiques : la valeur de l'option, le moment précis et le prix auxquels elle doit être exercée, ainsi que les « Grecs », qui sont des mesures de sensibilité indiquant comment le prix de l'option réagira à de petites variations du marché.

Les chercheurs ont conçu une architecture unique pour leur réseau de neurones, qu'ils appellent un « mélange de solutions ». Plutôt que de s'appuyer sur un seul programme monolithique, ils ont construit un système composé de trois réseaux plus petits et spécialisés travaillant ensemble. Une partie du système se concentre sur le passage du temps, une autre sur l'état actuel de l'actif et de sa volatilité, et une troisième sur l'interaction entre les différents facteurs de volatilité. Ces composants sont combinés d'une manière spécifique qui permet au réseau de gérer les changements brusques et soudains qui surviennent au moment où une option est exercée. Une innovation clé de leur méthode réside dans la gestion des frontières du problème. Les méthodes traditionnelles forcent souvent la solution à s'adapter à des règles strictes aux extrémités du calcul, ce qui peut introduire des erreurs. Au lieu de cela, cette nouvelle méthode permet au réseau d'apprendre le comportement à ces frontières lointaines directement à partir des règles mathématiques sous-jacentes pendant le processus d'entraînement. Cette flexibilité élimine le besoin de contraintes artificielles et permet au modèle de découvrir par lui-même le comportement le plus précis.

Pour s'assurer que le réseau puisse apprendre efficacement, les chercheurs ont employé une stratégie appelée étirement de grille (grid stretching). Imaginez essayer de cartographier un littoral où les détails sont extrêmement fins dans certaines zones et plus larges dans d'autres ; une carte standard pourrait manquer les petites criques. De même, la valeur d'une option change très rapidement près du point où elle est exercée, mais plus lentement ailleurs. Les chercheurs ont ajusté leur échantillonnage de données pour se concentrer plus intensément sur ces zones critiques et changeantes, tout en couvrant la gamme plus large de possibilités. Ils ont testé leur méthode sur un ordinateur standard avec un processeur moderne, en utilisant un ensemble de données étonnamment petit par rapport à ce qui est typiquement requis pour de tels problèmes complexes. Les résultats ont montré que leur réseau de neurones pouvait prédire la valeur de l'option et la frontière d'exercice anticipé avec une grande précision, égalant ou améliorant même légèrement les résultats des méthodes établies utilisées par d'autres experts du domaine.

L'étude a également exploré un scénario plus complexe où les taux d'intérêt ne sont pas fixes mais fluctuent de manière aléatoire, ajoutant une quatrième dimension au problème. Dans cette version étendue, les chercheurs ont testé le modèle sous deux conditions différentes : une où les divers facteurs de marché étaient largement indépendants les uns des autres, et une autre où ils étaient fortement liés. Le réseau a performé dans les deux cas, prédisant avec succès la valeur et la stratégie d'exercice optimale, même lorsque les relations entre les variables étaient complexes et non nulles. Les chercheurs ont constaté que, bien que le modèle reste robuste, la précision était légèrement plus élevée lorsque les facteurs de marché étaient moins interconnectés, suggérant que la complexité des relations impacte la précision de la prédiction. Cependant, la capacité du réseau à gérer ces scénarios denses et interconnectés sans s'effondrer est une avancée significative.

Ce qui rend ce travail particulièrement remarquable n'est pas seulement la précision des chiffres, mais la manière dont la solution est présentée. Le réseau de neurones ne produit pas seulement un prix unique ; il génère une surface complète qui montre comment la valeur de l'option et le point d'exercice optimal changent à travers le temps, le prix de l'actif et la volatilité. Cela fournit une vue d'ensemble du paysage financier qui est difficile à obtenir avec les anciennes méthodes. Les chercheurs ont également démontré que leur approche pouvait calculer les Grecs, les mesures de sensibilité que les traders utilisent pour gérer le risque, avec le même niveau de précision. En évitant la discrétisation rigide de l'espace et du temps qui frappe les méthodes numériques traditionnelles, et en utilisant la différenciation automatique pour calculer directement les taux de variation, la méthode offre une façon plus fluide et plus fiable de naviguer dans les complexités des dérivés financiers modernes.

Les implications de cette recherche s'étendent au-delà d'un seul modèle financier. Elle démontre que l'apprentissage profond peut être appliqué efficacement aux problèmes à frontière libre (free boundary problems), une classe de défis mathématiques où la frontière elle-même fait partie de la solution à trouver. C'est un problème courant en physique et en ingénierie, mais il a constitué un obstacle persistant en finance. Le succès de ce cadre de « mélange de solutions » suggère que des approches similaires pourraient être adaptées pour d'autres modèles de tarification complexes impliquant plusieurs sources d'incertitude. Les chercheurs reconnaissent que leur travail est une preuve de concept basée sur la simulation, et ils prévoient d'élargir leurs recherches futures pour inclure une gamme complète de paramètres et de structures de corrélation. Pour l'instant, ils ont fourni un outil clair, flexible et précis pour comprendre le modèle de Heston double américain, offrant une nouvelle voie pour résoudre certaines des équations les plus complexes de la finance quantitative.

Résumé Technique : Une Méthode de Deep Learning pour Résoudre le Modèle de Double Heston Américain

Énoncé du Problème
L'article traite du défi computationnel lié à la résolution du modèle de Double Heston américain, un problème complexe de tarification de dérivés financiers caractérisé comme un problème à frontière libre. Le modèle intègre deux facteurs de variance stochastique et, dans sa forme étendue, un taux d'intérêt stochastique (modélisé via le processus de Cox-Ingersoll-Ross). La difficulté principale réside dans la détermination simultanée de la fonction de valeur, de la frontière d'exercice anticipé (une surface de frontière libre) et des Grecs (sensibilités) à travers un espace d'états de haute dimension. Les méthodes numériques traditionnelles, telles que les méthodes de différences finies ou d'éléments finis, sont souvent confrontées à la « malédiction de la dimensionnalité » et à la discrétisation des termes de dérivées mixtes, ce qui peut entraîner une instabilité ou des oscillations. De plus, les approches analytiques ou semi-analytiques existantes (par exemple, les développements asymptotiques) reposent souvent sur des hypothèses ou des approximations spécifiques qui peuvent limiter leur précision ou leur applicabilité.

Méthodologie
Les auteurs proposent un cadre de deep learning basé sur une stratégie de « Mélange de Solutions » (Mixture of Solutions - MoS), utilisant l'ensemble multiplicatif de sous-réseaux. La méthodologie est divisée en deux configurations principales :

Formulation et Transformation du Modèle :
- Le problème est d'abord formulé comme un système d'équations différentielles stochastiques (SDE) couplées et une équation aux dérivées partielles (PDE) tridimensionnelle correspondante (taux d'intérêt constant) ou quadridimensionnelle (taux d'intérêt stochastique).
- Pour gérer la frontière libre, les auteurs emploient une transformation logarithmique ( $x = \ln(S/\hat{s}_f)$ ) afin de convertir le problème à frontière mobile en un problème à frontière fixe-libre.
- La fonction de valeur est normalisée par le prix d'exercice $K$ , et le domaine temporel est normalisé sur $[0, 1]$ .
- Crucialement, les auteurs n'imposent pas de conditions aux limites explicites de champ lointain (par exemple, à $S \to \infty$ ou $\upsilon \to 0$ ). Ces comportements de frontière sont appris implicitement à travers le résidu de la PDE dans la fonction de perte.
Architecture de Réseau de Neurones (MLA-MoS) :
L'architecture proposée, nommée MLA-MoS (Modular Learning Approximant with Mixture of Solutions), se compose de trois sous-réseaux interagissants combinés par un ensemblage multiplicatif :
- Sous-réseau 1 ( $T$ ) : Un réseau dépendant du temps prenant $\tau$ comme entrée, conçu pour imposer les conditions terminales.
- Sous-réseau 2 ( $R$ ) : Un réseau spatial prenant les variables d'état (temps, log-prix, variances, et taux d'intérêt) comme entrée.
- Sous-réseau 3 ( $Q$ ) : Un réseau interactif prenant les termes de variance ( $\upsilon_1, \upsilon_2, \upsilon_1\upsilon_2$ ) comme entrée pour modéliser l'interaction entre les facteurs de volatilité.
- Ensemblage : La sortie finale est une somme pondérée des sorties des sous-réseaux, modulée par un terme exponentiel impliquant le troisième sous-réseau. Cette structure garantit la non-négativité et permet au réseau de satisfaire des conditions aux limites spécifiques (Value Matching et Smooth Pasting) via un terme de Robin dans la fonction de perte.
- Fonction de Perte : La fonction de perte comprend le résidu de la PDE (imposant l'équation directrice) et un terme de frontière qui couple les conditions de correspondance de valeur (Value Matching) et de lissage (Smooth Pasting) à la frontière d'exercice anticipé.
Échantillonnage et Optimisation :
- Pour traiter la singularité du Gamma et du Delta près du temps terminal et de la frontière d'exercice anticipé, les auteurs emploient une stratégie d'étirement de grille basée sur la fonction sinus hyperbolique ( $\sinh$ ). Cela concentre les points d'échantillonnage près des régions critiques (par exemple, $t=0$ , $S=K$ ).
- Les modèles sont entraînés à l'aide de l'optimiseur Adam avec une décroissance exponentielle du taux d'apprentissage. La différenciation automatique est utilisée pour calculer les dérivées partielles requises pour la perte de la PDE, évitant ainsi le recours à des schémas de discrétisation numérique.

Contributions Clés
L'article souligne les contributions spécifiques suivantes :

Cadre Explicable : L'introduction d'un cadre de deep learning modulaire et interactif (MLA-MoS) spécifiquement conçu pour le modèle de Double Heston américain en tant que problème à frontière libre.
Prédiction Simultanée : La capacité des réseaux entraînés (MLA-MoS-1 pour taux constants, MLA-MoS-2 pour taux stochastiques) à prédire simultanément la surface de la frontière d'exercice anticipé, la fonction de valeur et les Grecs (Delta, Gamma, Vega).
Gestion Adaptative des Frontières : L'implémentation d'un terme exponentiel adaptatif agissant comme un « mélange d'experts » pour contrôler le comportement de la valeur de l'option près des frontières artificielles de droite, éliminant le besoin de conditions de frontière lointaine codées en dur.
Intégration de la Frontière de Robin : L'incorporation explicite des conditions de Smooth Pasting et de Value Matching dans la fonction de perte sous la forme d'un terme de frontière de Robin, assurant la cohérence physique à la frontière d'exercice.
Dérivées Non-Discrétisées : Le recours à la différenciation automatique pour les dérivées partielles, évitant ainsi les inexactitudes numériques associées à la discrétisation des termes de dérivées mixtes ou convectives communes dans les méthodes basées sur des maillages.

Résultats Expérimentaux
Les auteurs valident leur méthode par des expériences numériques comparant les prédictions du deep learning aux méthodes existantes :

Taux d'Intérêt Constant (MLA-MoS-1) : Les résultats ont été comparés à la méthode de développement asymptotique (Zhang et Feng [37]) et à la méthode des Moindres Carrés (LSM). Les prédictions de MLA-MoS-1 pour la fonction de valeur et la frontière d'exercice anticipé ont montré une haute cohérence avec ces références, même lorsqu'elles ont été entraînées sur des jeux de données étirés relativement petits (ex: $14 \times 14 \times 14 \times 14$ points).
Taux d'Intérêt Stochastique (MLA-MoS-2) : La méthode a été testée sur un modèle à quatre facteurs avec des matrices de corrélation à la fois creuses et denses.
- Dans le cas de la corrélation creuse, les résultats ont été comparés à l'algorithme AECV (Zhang et Zhang [38]), la méthode SWIFT (Shoude et Guo [30]) et la méthode LSM. Les résultats de MLA-MoS-2 se sont révélés raisonnables et cohérents avec ces méthodes établies.
- Dans le cas de la corrélation dense (où tous les facteurs de corrélation sont non nuls), le modèle a produit des prédictions raisonnables, bien que les auteurs aient noté que la structure dense introduisait plus de variations par rapport au cas creux, suggérant que la structure de corrélation impacte significativement la précision de la solution.
Analyse Qualitative : Les visualisations de la fonction de valeur, des Grecs et des frontières d'exercice anticipé ont confirmé que les surfaces se comportaient comme attendu théoriquement (par exemple, Delta dans $[-1, 0]$ , Gamma et Vega positifs). L'étude a également démontré que la stratégie d'étirement de la grille est critique ; sans elle, la performance prédictive se dégradait considérablement.

Signification et Revendications
L'article positionne sa portée dans le contexte de la résolution de problèmes de frontière libre de haute dimension en finance. Les auteurs affirment que leur approche offre une alternative flexible aux méthodes numériques traditionnelles en :

Simplifiant la Conception du Réseau : En apprenant les valeurs de la frontière lointaine à partir de la perte de la PDE plutôt qu'en les imposant, la méthode réduit la complexité de la gestion des conditions aux limites.
Améliorant la Précision : L'utilisation de la différenciation automatique et de l'étirement de grille atténue les problèmes liés à la discrétisation des dérivées mixtes et aux singularités à la frontière d'exercice.
Évolutivité : La méthode démontre sa capacité à gérer des scénarios de taux d'intérêt constants et stochastiques au sein d'un cadre de deep learning unifié.

Les auteurs concluent avec modestie, notant que bien que les résultats actuels soient prometteurs, les travaux futurs se concentreront sur l'extension du cadre pour gérer la paramétrisation complète des variables et des paramètres (y compris les facteurs de corrélation) afin de permettre l'inférence sur une gamme plus large de conditions de marché, reconnaissant que cela augmentera la complexité du réseau.

Articles similaires