🔢 mathematics

An Euler scheme for BSDEs via the Wiener chaos decomposition

यह शोध पत्र मनमाने वर्ग-समाकलनीय (square-integrable) टर्मिनल स्थितियों वाले बैकवर्ड स्टोकेस्टिक डिफरेंशियल इक्वेशन्स (BSDEs) को हल करने के लिए एक विनर केओस डिकंपोजिशन-आधारित यूलर स्कीम का प्रस्ताव करता है, जो पारंपरिक फॉरवर्ड-बैकवर्ड मार्कोवियन दृष्टिकोणों के विकल्प के रूप में एक व्यापक अभिसरण विश्लेषण और संख्यात्मक सत्यापन प्रदान करता है।

मूल लेखक: Pere Diaz-Lozano, Giulia Di Nunno

प्रकाशित 2026-06-23

📖 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 भविष्य के किसी विशेष दिन के लिए मौसम की भविष्यवाणी करने की कोशिश कर रहे हैं, लेकिन आपके पास कोई सटीक भविष्य बताने वाला जादुई गोला (क्रिस्टल बॉल) नहीं है। इसके बजाय, आपके पास नियमों का एक जटिल सेट (गणितीय समीकरण) है जो यह बताता है कि आज से भविष्य के उस दिन तक मौसम कैसे विकसित हो सकता है। वित्त और गणित की दुनिया में, इसे बैकवर्ड स्टोकेस्टिक डिफरेंशियल इक्वेशन (BSDE) कहा जाता है। यह एक जटिल वित्तीय उत्पाद की आज की सटीक कीमत ज्ञात करने जैसा है, यह जानते हुए कि कल उसका अंतिम मूल्य एक अराजक, यादृच्छिक (रैंडम) बाजार पर निर्भर करता है।

समस्या यह है कि इन समीकरणों को हल करना अविश्वसनीय रूप से कठिन है। आपको हर कदम पर यह गणना करनी होती है कि "यदि यह यादृच्छिक घटना होती है, तो औसत परिणाम क्या होगा?" इसे मानक कंप्यूटर विधियों के साथ करना एक भूलभुलैया में रास्ता खोजने जैसा है जहाँ आपको एक-एक करके हर संभावित पथ की जाँच करनी पड़ती है—यह धीमा, अव्यवस्थित हो जाता है, और अक्सर इसके लिए आपको एक विशाल, जटिल मानचित्र (एक "फॉरवर्ड प्रोसेस") बनाने की आवश्यकता होती है ताकि आप उत्तर तक पहुँच सकें।

लेखकों का नया विचार: "केओस" (Chaos) रेसिपी

पेरे डियाज़-लोज़ानो और जूलिया डी नूनो एक इस पहेली को सुलझाने का नया तरीका प्रस्तावित करते हैं। भविष्य का एक विशाल मानचित्र बनाने के बजाय, वे वीनर केओस डिकंपोजिशन (Wiener Chaos Decomposition) नामक तकनीक का उपयोग करते हैं।

एक जटिल, शोर-शराबे वाली आवाज़ (जैसे भीड़ का शोर) को सरल, शुद्ध संगीत के सुरों के संयोजन के रूप में सोचें। भले ही भीड़ का शोर अराजक लगे, लेकिन वास्तव में यह विशिष्ट आवृत्तियों (frequencies) का मिश्रण होता है। लेखकों की विधि भविष्य के यादृच्छिक परिणामों को इन सरल, मानक निर्माण खंडों (गणितीय आकृतियों जिन्हें हर्मिट पॉलिनोमिअल्स कहा जाता है) की एक "रेसिपी" में तोड़ देती है।

यहाँ बताया गया है कि उनकी विधि चरण-दर-चरण कैसे काम करती है:

रेसिपी बुक (डिकंपोजिशन): भविष्य का अनुमान लगाने के बजाय, वे भविष्य के परिणाम को इन सरल निर्माण खंडों के योग के रूप में लिखते हैं। यह कहने जैसा है कि, "अंतिम कीमत केवल एक यादृच्छिक संख्या नहीं है; यह 'नोट A' का 50%, 'नोट B' का 30% और 'नोट C' का 20% है।"
ट्रंकेशन (रेसिपी को सरल बनाना): एक आदर्श रेसिपी में अनंत नोट्स हो सकते हैं। लेखक कहते हैं, "आइए हम केवल शीर्ष 10 सबसे महत्वपूर्ण नोट्स का उपयोग करें।" यह गणित को प्रबंधनीय बनाता है। वे इसे "केओस को ट्रंकेट करना" कहते हैं।
मोंटे कार्लो टेस्टिंग (सामग्री का अनुमान लगाना): यह जानने के लिए कि अंतिम मिश्रण में "नोट A" या "नोट B" की कितनी मात्रा है, वे हजारों कंप्यूटर सिमुलेशन चलाते हैं (जैसे सूप के औसत स्वाद को जानने के लिए उसे कई बार चखना)। यह उन्हें उनकी रेसिपी के लिए गुणांक (कोएफिशिएंट्स/संख्याएं) प्रदान करता है।
बैकवर्ड वॉक: एक बार जब उनके पास रेसिपी आ जाती है, तो वे समय अवधि के अंत से शुरुआत की ओर पीछे चलते हैं। क्योंकि उनके पास रेसिपी है, वे अनुमान लगाने के बजाय सूत्रों का उपयोग करके प्रत्येक चरण पर "औसत" और "यादृच्छिकता" की गणना बहुत तेज़ी से कर सकते हैं।

यह पुराने तरीके से बेहतर क्यों है?

1. "फॉरवर्ड" मानचित्र की आवश्यकता नहीं:
अधिकांश मौजूदा विधियों के लिए पहले एक "फॉरवर्ड" प्रक्रिया (जैसे स्टॉक की कीमत को दिन-दर-दिन सिम्युलेट करना) का अनुकरण करने की आवश्यकता होती है ताकि पीछे की कीमत ज्ञात की जा सके। यह एक जंगल में रास्ता खोजने जैसा है जहाँ पहले आपको जंगल के हर पेड़ का मानचित्र बनाना पड़ता है।
लेखकों की विधि इस मानचित्र को छोड़ देती है। यह सीधे अंतिम परिणाम (टर्मिनल कंडीशन) के साथ काम करती है। चाहे अंतिम कीमत आज की स्टॉक की कीमत पर निर्भर हो, कल की कीमत पर, या पिछले 100 दिनों के अजीब संयोजन पर, उनकी विधि बिना किसी जटिल, उच्च-आयामी मानचित्र को बनाए बिना इसे संभाल लेती है। यह हर पेड़ का पीछा करने के बजाय, बॉक्स पर बनी तस्वीर को देखकर पहेली को सुलझाने जैसा है।

2. "जटिलता के अभिशाप" (Curse of Complexity) को संभालना:
जब आपके पास कई चर (variables) होते हैं (जैसे 1 के बजाय 5 अलग-अलग स्टॉक), तो पुरानी विधियाँ अक्सर विफल हो जाती हैं या असंभव रूप से धीमी हो जाती हैं क्योंकि "मानचित्र" बहुत बड़ा हो जाता है। लेखकों की विधि इस विशिष्ट जाल (स्टेट ऑग्मेंटेशन - मानचित्र को बड़ा करना) से बचती है। हालाँकि, वे यह भी स्वीकार करते हैं कि यदि आपकी रेसिपी में बहुत अधिक नोट्स (बहुत अधिक आयाम या बहुत अधिक जटिलता) हैं, तो सामग्रियों की गणना करने की संख्या अभी भी तेज़ी से बढ़ती है।

परिणाम: एक टेस्ट (स्वाद परीक्षण)

लेखकों ने अपने नए "रेसिपी" का परीक्षण दो अन्य लोकप्रिय विधियों के विरुद्ध किया:

पिकार्ड विधि (Picard Method): एक पुराना, पुनरावृत्ति (iterative) दृष्टिकोण जो उत्तर का अनुमान लगाने, जाँच करने, फिर से अनुमान लगाने और फिर से जाँच करने का प्रयास करता है।
डीप लर्निंग विधि (Deep Learning Method): पैटर्न सीखने के लिए आर्टिफिशियल इंटेलिजेंस का उपयोग करने वाला एक आधुनिक दृष्टिकोण।

अपने प्रयोगों में (जिसमें एक परिसंपत्ति पर विकल्प की कीमत और एक साथ पाँच परिसंपत्तियों पर भी शामिल था), उनकी नई विधि ने:

तेज़ी दिखाई: जहाँ पुराने तरीके को 7 सेकंड लगे, वहाँ इस टेस्ट को चलाने में लगभग 3 सेकंड लगे।
सटीकता बनाए रखी: परिणाम "गोल्ड स्टैंडर्ड" बेंचमार्क और डीप लर्निंग विधि के बहुत करीब थे।
अधिक स्थिरता दिखाई: जब उन्होंने सेटिंग्स बदलीं (जैसे चरणों की संख्या या रेसिपी की जटिलता), तो उनका तरीका पुराने पुनरावृत्ति तरीके की तुलना में अधिक तेज़ी से एक स्थिर उत्तर पर पहुँच गया।

मुख्य निष्कर्ष (The Bottom Line)

यह शोध पत्र जटिल वित्तीय समीकरणों को हल करने के लिए एक नया, कुशल उपकरण प्रस्तुत करता है। भविष्य के हर संभावित दृश्य का एक विशाल, भविष्योन्मुखी मानचित्र बनाने के बजाय, लेखक समस्या को यादृच्छिक निर्माण खंडों की एक सरल, प्रबंधनीय "रेसिपी" में तोड़ देते हैं। फिर वे उस रेसिपी की सामग्री का पता लगाने के लिए कंप्यूटर सिमुलेशन का उपयोग करते हैं।

यह एक स्मार्ट शॉर्टकट है जो गणितज्ञों और वित्तीय इंजीनियरों को कठिन समस्याओं को तेज़ी से और कम कम्प्यूटेशनल अव्यवस्था के साथ हल करने की अनुमति देता है, विशेष रूप से तब जब अंतिम परिणाम केवल एक सरल, सीधी रेखा के बजाय जटिल, अव्यवस्थित इतिहास पर निर्भर करता है।

तकनीकी सारांश: वीनर केओस डीकंपोज़िशन (Wiener Chaos Decomposition) के माध्यम से BSDEs के लिए एक यूलर स्कीम

समस्या विवरण

यह शोध पत्र बैकवर्ड स्टोकेस्टिक डिफरेंशियल इक्वेशंस (BSDEs) के संख्यात्मक सन्निकटन (numerical approximation) को संबोधित करता है जो इस रूप में होते हैं:
$Y_t = \xi + \int_t^T f(s, Y_s, Z_s)ds - \int_t^T Z_s \cdot dB_s, \quad t \in [0, T]$
जहाँ $B$ , $d$ -आयामी ब्राउनियन मोशन है, $\xi$ एक $\mathcal{F}_T$ -मापनीय (measurable) वर्ग-समावेशी (square-integrable) टर्मिनल कंडीशन है, और $f$ एक मापनीय जनरेटर (generator) है।

BSDEs के लिए मानक यूलर-प्रकार के विविक्तकरण (discretizations) को लागू करने में प्राथमिक चुनौती प्रत्येक समय चरण पर सप्रतिबंध प्रत्याशाओं (conditional expectations) और मार्टिंगेल पदों की गणना करना है। मौजूदा साहित्य मुख्य रूप से एक फॉरवर्ड-बैकवर्ड (मार्कोवियन) संरचना पर निर्भर करता है, जहाँ समाधान को एक फॉरवर्ड स्टेट प्रोसेस $X_t$ के नियतात्मक फलनों (deterministic functions) के रूप में दर्शाया जाता है। मार्कोवियन समस्याओं के लिए प्रभावी होने के बावजूद, यह पाथ-डिपेंडेंट (path-dependent) टर्मिनल कंडीशंस के लिए स्टेट ऑग्मेंटेशन (state augmentation) की मांग करता है, जिससे उच्च-आयामी प्रणालियाँ बन जाती हैं जो गणनात्मक रूप से महंगी होती हैं। इसके अलावा, कई मौजूदा विधियों (जैसे, लीस्ट-स्क्वायर रिग्रेशन, न्यूरल नेटवर्क) में उपयोग किए जाने वाले विशिष्ट सन्निकटन उपकरणों (समय विविक्तकरण, आधार ट्रंकेशन, मोंटे कार्लो सैंपलिंग) के संबंध में स्पष्ट त्रुटि मात्रा निर्धारण (error quantification) का अभाव है।

कार्यप्रणाली

लेखक एक ऐसी संख्यात्मक योजना प्रस्तावित करते हैं जो फॉरवर्ड प्रोसेस की शुरूआत को दरकिनार करती है। इसके बजाय, विधि बैकवर्ड पुनरावृत्ति (backward recursion) में उत्पन्न होने वाले यादृच्छिक चरों (random variables) पर सीधे वीनर केओस डीकंपोज़िशन (Wiener chaos decomposition) लागू करती है।

1. बैकवर्ड यूलर विविक्तकरण (Backward Euler Discretization)

योजना एक टाइम ग्रिड $\pi = \{t_i\}$ पर मानक बैकवर्ड यूलर विविक्तकरण के साथ शुरू होती है। पुनरावृत्ति मध्यवर्ती चरों $F^\pi_i$ को परिभाषित करती है:
$F^\pi_i = Y^\pi_{t_i} + \Delta_i f(t_i, Y^\pi_{t_i}, \langle Z \rangle^\pi_i)$
जहाँ $\langle Z \rangle^\pi_i$ मार्टिंगेल पद के सप्रतिबंध प्रत्याशा का प्रतिनिधित्व करता है। समाधान $Y^\pi_t$ और $Z^\pi_t$ को सप्रतिबंध प्रत्याशाओं और मार्टिंगेल रिप्रेजेंटेशन थ्योरम के माध्यम से प्राप्त किया जाता है।

2. वीनर केओस प्रोजेक्शन (Wiener Chaos Projection)

एक फॉरवर्ड स्टेट के नियतात्मक फलनों का सन्निकटन करने के बजाय, लेखक $F^\pi_i$ को एक परिमित-आयामी वीनर केओस विस्तार (Wiener chaos expansion) का उपयोग करके सन्निकट करते हैं। एक यादृच्छिक चर $F \in L^2(\mathcal{F}_{t_i})$ के लिए, विस्तार को क्रम $P$ तक ट्रंकेट किया जाता है और आकार $M$ के एक आधार (basis) पर प्रोजेक्ट किया जाता है:
$F^\pi_i \approx \sum_{k=0}^P \sum_{|a|=k, \#a=M} d_a \prod_{j=1}^M H_{a_j} \left( \int_0^{t_i} h^i_j(s) \cdot dB_s \right)$
यहाँ $H_k$ हर्मिट बहुपदों (Hermite polynomials) हैं, और $(h^i_j)$ $L^2([0, t_i]; \mathbb{R}^d)$ का एक ट्रंकेटेड ऑर्थोनॉर्मल बेसिस है।

3. क्लोज्ड-फॉर्म कार्यान्वयन (Closed-Form Implementation)

प्रस्तावित विधि की एक प्रमुख विशेषता केओस गुणांकों (chaos coefficients) के आधार पर सप्रतिबंध प्रत्याशाओं और मार्टिंगेल पदों ( $Y^\pi_t, Z^\pi_t, \langle Z \rangle^\pi_i$ ) के लिए क्लोज्ड-फॉर्म सूत्र का व्युत्पन्न है। एक पीसवाइज कांस्टेंट ऑर्थोनॉर्मल बेसिस का चयन करके, सतिबंध प्रत्याशाएँ केओस गुणांकों पर स्पष्ट बीजगणितीय क्रियाओं में बदल जाती हैं, जिससे प्रत्येक चरण पर रिग्रेशन या न्यूरल नेटवर्क प्रशिक्षण की आवश्यकता समाप्त हो जाती है।

4. मोंटे कार्लो सन्निकटन (Monte Carlo Approximation)

चूंकि केओस गुणांकों में ऐसी प्रत्याशाएँ शामिल हैं जिन्हें सामान्य जनरेटरों के लिए विश्लेषणात्मक रूप से नहीं निकाला जा सकता, इसलिए लेखक इन गुणांकों का अनुमान लगाने के लिए मोंटे कार्लो सिमुलेशन का उपयोग करते हैं। स्वतंत्रता सुनिश्चित करने और पूर्वाग्रह (bias) से बचने के लिए, विधि प्रत्येक समय चरण पर गुणांकों के सिमुलेशन के लिए स्वतंत्र ब्राउनियन मोशन का उपयोग करती है।

मुख्य योगदान

1. सामान्य टर्मिनल कंडीशंस

यह विधि बिना किसी फॉरवर्ड रिप्रेजेंटेशन की आवश्यकता के मनमाने वर्ग-समावेशी $\mathcal{F}_T$ -मापनीय टर्मिनल कंडीशंस को समायोजित करती है। यह पाथ-डिपेंडेंट पे-ऑफ्स (payoffs) को संभालने के लिए स्टेट ऑग्मेंटेशन की आवश्यकता को समाप्त करता है, जिससे उच्च-आयामी मार्कोवियन सिस्टम से जुड़ी "डायमेंशनलिटी का अभिशाप" (curse of dimensionality) से बचा जा सके।

2. व्यापक अभिसरण विश्लेषण (Comprehensive Convergence Analysis)

शोध पत्र एक कठोर अभिसरण विश्लेषण प्रदान करता है जो सभी स्रोतों से त्रुटियों को मात्रात्मक रूप से मापता है:

समय विविक्तकरण (Time Discretization): मानक यूलर त्रुटि ( $O(|\pi|)$ )।
केओस ट्रंकेशन (Chaos Truncation): केओस क्रम को $P$ तक और आधार आकार को $M$ तक सीमित करने के कारण होने वाली त्रुटि।
मोंटे कार्लो त्रुटि (Monte Carlo Error): गुणांकों का अनुमान लगाने के लिए उपयोग किए गए परिमित नमूना आकार $N$ से उत्पन्न त्रुटि।

पूर्णतः कार्यान्वयन योग्य योजना के लिए मुख्य त्रुटि सीमा (Theorem 4.12) इस प्रकार है:
$\text{Error} \leq C \left( |\pi| + \frac{1}{P+1} + \frac{1}{M^{2\beta}} + \frac{C_{P,M}}{N} \right)$
जहाँ $\beta$ , केओस कर्नेल्स (kernels) की हॉल्डर रेगुलरिटी (Hölder regularity) से संबंधित है, और $C_{P,M}$ , केओस पदों की संख्या और जनरेटर के बाउंड्स पर निर्भर करता है।

3. पिकार्ड-प्रकार की योजनाओं के साथ तुलना

लेखक अपने यूलर-आधारित दृष्टिकोण की तुलना [BL14] की पिकार्ड-प्रकार की योजना से करते हैं, जो वीनर केओस का भी उपयोग करती है।

सैद्धांतिक लाभ: यूलर स्कीम के विश्लेषण में समय इंटीग्रल विविक्तकरण से होने वाली त्रुटि शामिल है, जबकि [BL14] में पिकार्ड विश्लेषण सटीक समय एकीकरण (exact time integration) मानता है।
व्यावहारिक लाभ: यूलर स्कीम प्रत्येक समय चरण पर समाधान पर सीधा नियंत्रण प्रदान करती है। प्रत्येक चरण पर नए नमूने उत्पन्न किए जा सकते हैं और हटाए जा सकते हैं, जिससे यह पिकार्ड स्कीम की तुलना में अधिक मेमोरी-कुशल (memory-efficient) हो जाती है, जिसे अक्सर मध्यवर्ती इटरेट्स को स्टोर करने या पूर्ण इटरेशन लूप को फिर से चलाने की आवश्यकता होती है।

परिणाम और संख्यात्मक प्रयोग

शोध पत्र तीन संख्यात्मक उदाहरणों के माध्यम से विधि को मान्य करता है:

लीनियर ड्राइवर (1D): एक डिस्क्रीट डाउन-एंड-आउट कॉल ऑप्शन की प्राइसिंग। यूलर स्कीम और पिकार्ड स्कीम ने मोंटे कार्लो बेंचमार्क के करीब समान माध्य और वितरण उत्पन्न किए। यूलर स्कीम तेज़ थी (3s बनाम 7s प्रति रन)।
नॉन-लीनियर ड्राइवर (1D): एक BSDE जिसमें $\xi = \max |B_{kT/10}|$ और $f(t,y,z) = \cos(y+z)$ है। अध्ययन ने $m$ (टाइम स्टेप्स), $M$ (बेस साइज), और $P$ (केओस ऑर्डर) के लिए मापदंडों को बदला। यूलर स्कीम आम तौर पर $m$ और $M$ के संबंध में तेज़ी से स्थिर हुई और पिकार्ड स्कीम की तुलना में कम परिवर्तनशीलता प्रदर्शित की।
नॉन-लीनियर ड्राइवर (5D): अलग-अलग बॉरोइंग और लेंडिंग रेट्स के साथ पाँच संपत्तियों के अधिकतम (maximum) पर कॉल की प्राइसिंग। यूलर स्कीम की तुलना पिकार्ड स्कीम और Deep BSDE (DBDP1) पद्धति से की गई। तीनों विधियों ने $Y_0$ और $Z_0$ के लिए समान सन्निकटन दिए। यूलर स्कीम ने ~~1.2 मिनट में एक रन पूरा किया, जो पिकार्ड स्कीम (~~4.3 मिनट) की तुलना में काफी तेज़ था।

महत्व और दावे

शोध पत्र का दावा है कि इसका प्राथमिक महत्व एक प्रत्यक्ष, कार्यान्वयन योग्य संख्यात्मक योजना प्रदान करने में निहित है जो:

फॉरवर्ड-बैकवर्ड मार्कोवियन संरचना पर निर्भर नहीं करती है, जिससे सामान्य टर्मिनल कंडीशंस को स्वाभाविक रूप से संभाला जा सकता है।
एक व्यापक अभिसरण विश्लेषण के माध्यम से संख्यात्मक त्रुटियों पर स्पष्ट नियंत्रण प्रदान करती है जो समय, केओस और मोंटे कार्लो त्रुटियों को एक साथ ट्रैक करती है।
पिकार्ड-प्रकार के केओस तरीकों की तुलना में गणनात्मक रूप से कुशल और मेमोरी-फ्रेंडली है, विशेष रूप से उन उच्च-आयामी समस्याओं के लिए जहाँ स्टेट ऑग्मेंटेशन निषेधकारी (prohibitive) है।

लेखक स्वीकार करते हैं कि यह विधि ब्राउनियन डायमेंशन $d$ के संबंध में 'डायमेंशनलिटी के अभिशाप' के अधीन है क्योंकि ट्रंकेटेड केओस विस्तार में पदों की संख्या बढ़ती है। हालांकि, वे प्रदर्शित करते हैं कि मध्यम आयामों और उचित मापदंडों के चयन के लिए, विधि सटीक और स्थिर परिणाम देती है।