🤖 machine learning

Deep Operator BSDE: a Numerical Scheme to Approximate Solution Operators

यह शोध पत्र एक न्यूरल नेटवर्क-आधारित संख्यात्मक योजना का प्रस्ताव और विश्लेषण करता है, जो बैकवर्ड स्टोकेस्टिक डिफरेंशियल इक्वेशन्स (BSDEs) के समाधान ऑपरेटरों को अनुमानित करने के लिए वीनर चाओस अपघटन और यूलर विधि को जोड़ता है, जिसका अभिसरण सिद्ध है और सटीकता प्रदर्शित की गई है।

मूल लेखक: Pere Diaz-Lozano, Giulia Di Nunno

प्रकाशित 2026-07-09

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Pere Diaz-Lozano, Giulia Di Nunno

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक मास्टर शेफ हैं जो एक जादुई सूप की रेसिपी को पूर्ण करने की कोशिश कर रहे हैं। वित्त (finance) की दुनिया में, यह "सूप" एक जटिल गणितीय उपकरण है जिसे बैकरवर्ड स्टोकेस्टिक डिफरेंशियल इक्वेशन (BSDE) कहा जाता है। यह ऑप्शंस जैसे वित्तीय उत्पादों के भविष्य के मूल्य का अनुमान लगाने में मदद करता है, जो पीछे की ओर काम करते हुए एक ज्ञात समाप्ति तिथि से वर्तमान तक आता है।

आमतौर पर, यदि एक शेफ को थोड़ा अलग सामग्री (एक अलग "टर्मिनल कंडीशन") के साथ सूप बनाना हो, तो उसे शुरुआत से शुरू करना पड़ता है: बर्तन को मापना, सब्जियां काटना और शोरबे को हिलाना—सब कुछ फिर से करना पड़ता है। यह पारंपरिक कंप्यूटर विधियों के काम करने का तरीका है। वे एक विशिष्ट परिदृश्य के लिए एक समीकरण को हल करते हैं, और यदि आप किसी अलग परिदृश्य के लिए उत्तर जानना चाहते हैं, तो आपको पूरी महंगी गणना फिर से करनी पड़ती है।

बड़ा विचार: "यूनिवर्सल सूप पॉट"
इस शोध पत्र के लेखक, पेरे डियाज लोजानो और जूलिया डी नुनो ने एक साहसिक प्रश्न पूछा: क्या होगा यदि हम केवल एक विशिष्ट सूप बनाने के बजाय, स्वयं रेसिपी को ही सीख लेने वाली एक मशीन बना सकें?

वे एक नई विधि प्रस्तावित करते हैं जिसे डीप ऑपरेटर BSDE कहा जाता है। एक विशिष्ट परिणाम के लिए समाधान खोजने के बजाय, उनकी विधि सॉल्यूशन ऑपरेटर को सीखती है। इसे एक "यूनिवर्सल सूप पॉट" के रूप में सोचें जो आपको तुरंत बता सकता है कि आपके द्वारा डाली गई किसी भी सामग्री के संयोजन के लिए सूप का स्वाद कैसा होगा, बिना खाना पकाने की प्रक्रिया को फिर से शुरू किए।

उन्होंने मशीन कैसे बनाई
इसे सफल बनाने के लिए, उन्होंने दो मुख्य सामग्रियां उपयोग कीं:

वीनर चाओस डिकम्पोजिशन (Wiener Chaos Decomposition): कल्पना करें कि "सामग्रियां" (अनिश्चित भविष्य की घटनाएं) लेगो ब्रिक्स (Lego bricks) का एक विशाल, अव्यवस्थित ढेर हैं। यह गणितीय ट्रिक उस अव्यवस्थित ढेर को विशिष्ट आकारों के व्यवस्थित स्टैक (जिसे हर्मिट पॉलीनोम कहा जाता है) में तोड़ देती है। यह एक अराजक, अनंत समस्या को एक संरचित समस्या में बदल देता है जिसे कंप्यूटर संभाल सकता है।
न्यूरल नेटवर्क: ये "स्मार्ट कुक" हैं। एक बार जब सामग्रियां व्यवस्थित हो जाती हैं, तो वे अंतिम स्वाद और सामग्रियों के बीच के संबंध को सीखने के लिए आर्टिफिशियल इंटेलिजेंस (न्यूरल नेटवर्क) का उपयोग करते हैं।

"यूलर" चरण-दर-चरण
यह विधि समय के खेल (जैसे, एक वर्ष) को छोटे चरणों में तोड़कर, समय में पीछे की ओर खेले जाने वाले "टेलीफोन" गेम की तरह काम करती है। प्रत्येक चरण पर, कंप्यूटर वर्तमान स्थिति और बाजार के "शोर" (जिसे ब्राउनियन मोशन द्वारा मॉडल किया जाता है) के आधार पर अगला कदम होने का अनुमान लगाता है। उन्होंने गणितीय रूप से सिद्ध किया कि यदि आप समय के चरणों को पर्याप्त छोटा रखते हैं, तो यह पिछला खेल अंततः सही उत्तर पर पहुंच जाएगा।

उन्होंने क्या खारिज किया
यह ध्यान रखना महत्वपूर्ण है कि यह पेपर क्या नहीं कर रहा है।

यह केवल एक एकल समीकरण को तेजी से हल करने का एक और तरीका नहीं है। लेखक स्पष्ट रूप से इस विचार के विरुद्ध तर्क देते हैं कि आपको प्रत्येक नए वित्तीय उत्पाद के लिए एल्गोरिदम को शुरू से चलाने की आवश्यकता है। उनकी विधि एक साथ कई अलग-अलग उत्पादों के पूरे परिवार को संभालने के लिए डिज़ाइन की गई है।
वे यह दावा नहीं करते कि यह बिना किसी सीमा के हर संभव गणितीय परिदृश्य के लिए काम करता है। वे स्वीकार करते हैं कि यदि "सामग्रियां" (टर्मिनल कंडीशंस) बहुत अधिक अनियंत्रित या जटिल हैं, तो कंप्यूटर संघर्ष कर सकता है।

वे कितने आश्वस्त हैं?
लेखक गणित में बहुत आश्वस्त हैं। उन्होंने सिद्ध किया है कि उनकी विधि अभिसरण (convergence) करती है (अर्थात, यह सही उत्तर के करीब पहुंचती जाती है) बहुत ही सामान्य धारणाओं के तहत। उन्होंने एक विशिष्ट "अभिसरण दर" (rate of convergence) भी निकाली है, जो एक गणितीय गारंटी है कि चरणों को छोटा करने पर त्रुटि कितनी तेजी से कम होती है।

हालाँकि, वास्तविक दुनिया के डेटा पर उनके वास्तविक प्रदर्शन के संबंध में, वे सिमुलेशन पर भरोसा करते हैं। उन्होंने केवल अनुमान नहीं लगाया; उन्होंने एल्गोरिदम बनाया और इसे कंप्यूटर पर टेस्ट किया।

परिणाम: एक स्वाद परीक्षण
उन्होंने अपने "यूनिवर्सल सूप पॉट" का परीक्षण 22 अलग-अलग प्रकार के वित्तीय ऑप्शंस (जैसे कॉल, पुट और एशियन ऑप्शंस) के साथ एक मानक बाजार सेटिंग में, और बाद में 28 अलग-अलग प्रकार के ऑप्शंस के साथ एक अधिक जटिल दो-एसेट मार्केट में किया।

स्कोर: पहले परीक्षण में, मूल्य भविष्यवाणी ( $Y$ ) के लिए त्रुटि बहुत कम थी, कॉल ऑप्शंस के लिए लगभग 3.85 ± 1.05 ( $10^{-3}$ द्वारा स्केल किया गया)। "हेजिंग" वाले हिस्से ( $Z$ , जो तापमान परिवर्तन के प्रति सूप की संवेदनशीलता की तरह है) के लिए, त्रुटि लगभग 1.27 ± 0.70 ( $10^{-2}$ द्वारा स्केल किया गया) थी।
तुलना: उन्होंने अपने "यूनिवर्सल पॉट" की तुलना एक पारंपरिक विधि (मोंटे कार्लो सिमुलेशन) से की जो प्रत्येक रेसिपी को व्यक्तिगत रूप से हल करती है। उनकी विधि एक साथ ऑप्शंस के पूरे परिदृश्य को सीखने में सक्षम थी। हालांकि त्रुटियां शून्य नहीं थीं, लेकिन वे प्रतिस्पर्धी थीं, विशेष रूप से इस बड़े लाभ को देखते हुए कि सब कुछ शुरू से फिर से कैलकुलेट करने की आवश्यकता नहीं है।
चेतावनी: लेखक चेतावनी देते हैं कि जैसे-जैसे सामग्रियों (डायमेंशन्स) की संख्या बढ़ती है, कंप्यूटर अभिभूत हो जाता है। यह "डायमेंशनलिटी का अभिशाप" (curse of dimensionality) है। यदि आप एक साथ बहुत सारे अलग-अलग प्रकार के मसालों वाला सूप सीखना चाहते हैं, तो न्यूरल नेटवर्क को लाखों पैरामीटर्स और बहुत अधिक कंप्यूटिंग पावर की आवश्यकता होगी।

निष्कर्ष
यह पेपर यह प्रदर्शित करता है कि केवल एक व्यंजन के बजाय पूरे "रेसिपी बुक" को समझने के लिए एक एकल AI मॉडल को प्रशिक्षित करना संभव है। उन्होंने सिद्ध किया कि गणित काम करता है, और उनके सिमुलेशन दिखाते हैं कि यह कई अलग-अलग प्रकार के ऑप्शंस में अच्छा प्रदर्शन करता है। यह एक ऐसे भविष्य की ओर एक कदम है जहाँ वित्तीय जोखिम कैलकुलेटर केवल एक संख्या नहीं देंगे, बल्कि संभावनाओं के पूरे परिवार को तुरंत समझ लेंगे।

तकनीकी सारांश: डीप ऑपरेटर BSDE: समाधान ऑपरेटरों को अनुमानित करने के लिए एक संख्यात्मक योजना

समस्या विवरण
यह शोध पत्र बैकवर्ड स्टोकेस्टिक डिफरेंशियल इक्वेशंस (BSDEs) के समाधान ऑपरेटर के संख्यात्मक सन्निकटन (numerical approximation) को संबोधित करता है। जबकि एक निश्चित टर्मिनल कंडीशन $\xi$ के लिए BSDE के समाधान $(Y, Z)$ को अनुमानित करने पर व्यापक साहित्य मौजूद है, मौजूदा विधियों को प्रत्येक बार $\xi$ बदलने पर एल्गोरिदम को पुन: निष्पादित करने की आवश्यकता होती है। लेखक स्वयं ऑपरेटर को अनुमानित करने का लक्ष्य रखते हैं:
$\xi \mapsto (Y^\xi_t, Z^\xi_t)_{t \in [0,T]}$
जहाँ $(Y^\xi, Z^\xi)$ टर्मिनल कंडीशन $\xi$ के साथ BSDE को हल करता है। यह डायनेमिक रिस्क मेजर और $g$ -कंडीशनल एक्सपेक्टेशन में अनुप्रयोगों द्वारा प्रेरित है, जहाँ आपको टर्मिनल कंडीशंस के एक संग्रह के लिए समाधान का मूल्यांकन करने की आवश्यकता होती है, न कि केवल एक एकल उदाहरण के लिए। चुनौती टर्मिनल कंडीशंस के स्थान $L^2(\mathcal{F}_T)$ की अनंत-आयामी प्रकृति को संभालने और उच्च आयामों में कंडीशनल एक्सपेक्टेशन की गणना करने की कम्प्यूटेशनल कठिनाई में निहित है।

कार्यप्रणाली (Methodology)
प्रस्तावित ढांचा, जिसे डीप ऑपरेटर BSDE कहा जाता है, तीन मुख्य घटकों को जोड़ता है:

वीनर केओस डिकंपोजिशन (Wiener Chaos Decomposition): टर्मिनल कंडीशन $\xi \in L^2(\mathcal{F}_T)$ को $L^2([0,T]; \mathbb{R}^d)$ के एक ऑर्थोनॉर्मल बेसिस और हर्मिट पॉलीनोमियल्स (Hermite polynomials) का उपयोग करके डिकंपोज किया जाता है। यह $\xi$ को $\Phi_a$ से जुड़े गुणांकों $d_a$ की एक श्रृंखला के रूप में प्रदर्शित करने की अनुमति देता है।
अनंत-आयामी FBSDE प्रतिनिधित्व: लेखक प्रदर्शित करते हैं कि एक सामान्य टर्मिनल कंडीशन $\xi$ के साथ BSDE का समाधान एक फॉरवर्ड-बैकवर्ड SDE (FBSDE) सिस्टम के समाधान के रूप में देखा जा सकता है, जहाँ फॉरवर्ड प्रोसेस $X_t$ अनंत-आयामी होता है। विशेष रूप से, $X_t$ केओस बेसिस द्वारा संचालित एक लीनियर SDE को संतुष्ट करता है, और बैकवर्ड इक्वेशन का टर्मिनल कंडीशन $X_T$ के अंतिम मान के लीनियर फंक्शनल के रूप में होता है।
मार्कोवियन प्रतिनिधित्व और ऑपरेटर यूलर स्कीम:
- मार्कोवियन गुण: यह सिद्ध किया गया है कि समाधान ऑपरेटर $Y_t(\xi)$ और $Z_t(\xi)$ एक मार्कोवियन प्रतिनिधित्व $u(t, X_t, \xi)$ और $v(t, X_t, \xi)$ को स्वीकार करते हैं, जहाँ $u$ और $v$ संयुक्त रूप से मापने योग्य (jointly measurable) मानचित्र हैं।
- ऑपरेटर यूलर स्कीम: एक रिकर्सिव संख्यात्मक योजना व्युत्पन्न की गई है, जो शास्त्रीय बैकवर्ड यूलर स्कीम (BSDEs के लिए) के समान है। हालाँकि, प्रत्येक समय चरण पर रैंडम वेरिएबल्स की गणना करने के बजाय, यह योजना ऑपरेटरों (फंक्शन्स) $Y^\pi_i$ और $Z^\pi_i$ की गणना करती है जो अनंत-आयामी प्रक्रिया की वर्तमान स्थिति और टर्मिनल कंडीशन को समाधान से मैप करते हैं।
- परिमित-आयामी सन्निकटन (Finite-Dimensional Approximation): समस्या को कम्प्यूटेशनल रूप से व्यवहार्य बनाने के लिए, अनंत-आयामी केओस एक्सपेंशन को एक परिमित क्रम $p$ और एक परिमित बेसिस साइज $M$ तक सीमित (truncate) किया जाता है। यह समस्या को परिमित-आयामी मानचित्रों को अनुमानित करने में बदल देता है।
- न्यूरल नेटवर्क कार्यान्वयन: उच्च-आयामीता के "कर्स ऑफ डायमेंशनलिटी" (curse of dimensionality) के कारण, लेखक $u$ और $v$ मापने योग्य मानचित्रों को अनुमानित करने के लिए न्यूरल नेटवर्क का उपयोग करते हैं। प्रशिक्षण का उद्देश्य संकुचित केओस गुणांकों द्वारा परिभाषित टर्मिनल कंडीशंस के एक कॉम्पैक्ट सेट पर BSDE रेसिड्यूल का लीस्ट-स्क्वेयर्स मिनिमाइजेशन करना है।

प्रमुख योगदान

प्रथम ऑपरेटर सन्निकटन योजना: यह शोध पत्र दावा करता है कि यह विशेष रूप से एक निश्चित टर्मिनल कंडीशन के बजाय BSDE के समाधान ऑपरेटर को अनुमानित करने के लिए डिज़ाइन की गई पहली संख्यात्मक योजना है।
सैद्धांतिक अभिसरण (Theoretical Convergence): लेखक बहुत ही मामूली धारणाओं (जेनरेटर की यूनिफॉर्म लिप्सचिट्ज़ निरंतरता) के तहत ऑपरेटर यूलर स्कीम के वास्तविक समाधान ऑपरेटर में अभिसरण को सिद्ध करते हैं। वे टाइम-स्टेप साइज $|\pi|$ और समाधान घटकों ( $R_Y, R_Z$ ) की रेगुलैरिटी के संदर्भ में अभिसरण दर प्रदान करते हैं।
संयुक्त मापनीयता (Joint Measurability): एक महत्वपूर्ण सैद्धांतिक योगदान यह प्रमाण है कि समाधान ऑपरेटरों को समय, अनंत-आयामी अवस्था और टर्मिनल कंडीशन $\xi$ के संयुक्त रूप से मापने योग्य फलनों के रूप में प्रदर्शित किया जा सकता है। यह विविध $\xi$ के लिए एक एकल लर्निंग फ्रेमवर्क के उपयोग को न्यायसंगत बनाता है।
त्रुटि सीमाएं (Error Bounds): लेखक परिमित-आयामी ट्रंकेशन के लिए त्रुटि सीमाएं स्थापित करते हैं, यह दिखाते हुए कि सन्निकटन त्रुटि $\xi$ के वीनर केओस एक्सपेंशन की पूंछ (tail) पर निर्भर करती है।

परिणाम
विधि को दो संख्यात्मक उदाहरणों पर लागू किया गया और परीक्षण किया गया:

लीनियर जेनरेटर (1D): ब्लैक-स्कोल्स सेटिंग में 22 विभिन्न परिवारों के ऑप्शंस (यूरोपियन, बैरियर, एशियन और लुकबैक ऑप्शंस सहित) की प्राइसिंग और हेजिंग। डीप ऑपरेटर BSDE को एक उच्च-आयामी सेट ऑफ कोएफिशिएंट्स पर प्रशिक्षित किया गया था और विशिष्ट परिवारों पर मूल्यांकन किया गया था। परिणामों ने दिखाया कि $Y_0$ (प्राइस) के लिए औसत सापेक्ष त्रुटियां आम तौर पर $0.5\%$ से कम और $Z_0$ (हेज) के लिए आम तौर पर $2\%$ से कम थीं, जो बेसलाइन मोंटे कार्लो विधियों के तुलनीय हैं।
नॉन-लीनियर जेनरेटर (2D): अलग-अलग बॉरोइंग और लेंडिंग दरों (नॉन-लीनियर जेनरेटर) के साथ 2-डायमेंशनल ब्लैक-स्कोल्स मॉडल में प्राइसिंग। इस विधि का परीक्षण 28 परिवारों के ऑप्शंस पर किया गया। परिणामों ने एक ही एकीकृत ढांचे के भीतर संरचनात्मक रूप से भिन्न टर्मिनल कंडीशंस (जैसे बास्केट, स्प्रेड, मैक्स/मिन ऑप्शंस) को संभालने की क्षमता प्रदर्शित की।

महत्व और दावे
शोध पत्र का दावा है कि इस कार्य का प्राथमिक महत्व इसके ऑपरेटर-आधारित परिप्रेक्ष्य में निहित है। मौजूदा पैरामीट्रिक विधियों के विपरीत, जो विशिष्ट पैरामीटर वेक्टर्स या निश्चित टर्मिनल कंडीशंस के लिए समाधान सीखते हैं, यह विधि टर्मिनल कंडीशंस के पूरे स्थान से समाधान तक के मैपिंग को सीखती है।

एकीकृत ढांचा: लेखक कहते हैं कि उनकी विधि एक ही प्रशिक्षण प्रक्रिया के भीतर "टर्मिनल कंडीशंस के कई परिवारों" (जैसे, पथ-निर्भर और अवस्था-निर्भर पेऑफ) के समाधानों का अनुमान लगाने की अनुमति देती है।
सामान्यता: सीधे BSDE फॉर्मूलेशन और वीनर केओस के साथ काम करके, यह विधि मार्कोवियन FBSDE दृष्टिकोणों की तुलना में टर्मिनल कंडीशंस के एक व्यापक वर्ग को संभालती है, जो फॉरवर्ड डिफ्यूजन के अंतिम मान के फलन के रूप में टर्मिनल कंडीशन पर निर्भर करते हैं।
सीमाएं: वे "कर्स ऑफ डायमेंशनलिटी" को एक प्रमुख सीमा के रूप में विनम्रतापूर्वक स्वीकार करते हैं। न्यूरल नेटवर्क के इनपुट स्पेस का आयाम $p$ और बेस साइज $M$ के साथ तेजी से बढ़ता है, जिससे अनुकूलन चुनौतीपूर्ण और बहुत उच्च-आयामी सेटिंग्स के लिए कम्प्यूटेशनल रूप से महंगा हो जाता है। वे यह दावा नहीं करते कि यह विधि कर्स ऑफ डायमेंशनलिटी को हल करती है, बल्कि यह मध्यम उच्च आयामों के लिए न्यूरल नेटवर्क के माध्यम से इसे प्रबंधित करने के लिए एक ढांचा प्रदान करती है।

शोध पत्र निष्कर्ष निकालता है कि हालांकि यह विधि विशिष्ट उदाहरणों के लिए बेसलाइन्स से हमेशा पूरी तरह से मेल नहीं खा सकती है क्योंकि इसके लिए सामान्यीकरण (generalization) की आवश्यकता होती है, फिर भी यह विविध टर्मिनल कंडीशंस के लिए मूल्यांकन की आवश्यकता वाले प्रश्नों के लिए BSDE समाधान ऑपरेटरों को सीखने की व्यवहार्यता को सफलतापूर्वक प्रदर्शित करती है।

इसी तरह के और पेपर