💰 quantitative finance

The Compound BSDE Method: A Fully Forward Method for Option Pricing and Optimal Stopping Problems in Finance

यह शोध पत्र कंपाउंड BSDE पद्धति का परिचय देता है, जो एक पूर्णतः फॉरवर्ड डीप-लर्निंग-आधारित एल्गोरिदम है जो उच्च-आयामी वित्तीय समस्याओं के सटीक और कुशल समाधान प्राप्त करने के लिए विकल्प मूल्य निर्धारण (ऑप्शन प्राइसिंग) और इष्टतम स्टॉपिंग (ऑप्टिमल स्टॉपिंग) समस्याओं को बैकवर्ड स्टोकेस्टिक डिफरेंशियल इक्वेशंस के सिस्टम के रूप में पुनर्गठित करता है।

मूल लेखक: Zhipeng Huang, Cornelis W. Oosterlee

प्रकाशित 2026-02-02

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Zhipeng Huang, Cornelis W. Oosterlee

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 बहुत ही जटिल वित्तीय अनुबंध (financial contract) की कीमत निर्धारित करने की कोशिश कर रहे हैं, जैसे कि एक ऐसा विकल्प (option) जो आपको दूसरा विकल्प खरीदने का अधिकार देता है, जो बदले में आपको तीसरा विकल्प खरीदने का अधिकार देता है। या कल्पना कीजिए कि एक अमेरिकन-स्टाइल ऑप्शन है जहाँ आप किसी भी 50 अलग-अलग तारीखों पर अपना पैसा निकाल सकते हैं। पारंपरिक रूप से, इन समस्याओं को हल करना एक भूलभुलैया (maze) को सुलझाने जैसा है, जहाँ आप निकास (exit) से शुरू करते हैं और प्रवेश द्वार तक वापस पीछे की ओर चलते हैं। यह कठिन है, खासकर जब भूलभुलैया में सैकड़ों आयाम (dimensions) हों (यानी कई अलग-अलग चर/variables एक साथ बदल रहे हों)।

यह शोध पत्र इस तरह की समस्याओं को हल करने का एक नया तरीका पेश करता है जिसे कंपाउंड BSDE मेथड (Compound BSDE Method) कहा जाता है। भूलभुलैया में पीछे की ओर चलने के बजाय, यह विधि शुरुआत से आगे की ओर बढ़ती है, और जैसे-जैसे यह आगे बढ़ती है, एक स्मार्ट कंप्यूटर प्रोग्राम (न्यूरल नेटवर्क) का उपयोग करके रास्ते को सीखती है।

यहाँ बताया गया है कि यह कैसे काम करता है, जिसे सरल अवधारणाओं में विभाजित किया गया है:

1. समस्या: विकल्पों का "रशियन डॉल" (Russian Doll)

एक कंपाउंड ऑप्शन (Compound Option) को रशियन डॉल (एक के भीतर एक रखी जाने वाली गुड़िया) की तरह समझें।

बाहरी डॉल वह मुख्य विकल्प है जिसे आप देख रहे हैं।
इसके अंदर आंतरिक डॉल है, जो एक और विकल्प है।
आज उस बाहरी डॉल का मूल्य जानने के लिए, आपको भविष्य की एक तारीख पर आंतरिक डॉल का मूल्य जानना होगा। लेकिन उस आंतरिक डॉल का मूल्य जानने के लिए, आपको उसके भीतर मौजूद तीसरी डॉल के बारे में जानना पड़ सकता है।

पारंपरिक रूप से, वित्तीय गणित इस समस्या को अंत से शुरू करके (जब आखिरी डॉल खोली जाती है) और चरण-दर-चरण पीछे की ओर गणना करके हल करने का प्रयास करता है। जब कई डॉल या कई चर (variables) होते हैं, तो यह प्रक्रिया जटिल और धीमी हो जाती है।

2. समाधान: "फॉरवर्ड ट्रेन" (The Forward Train)

लेखक एक ऐसा तरीका प्रस्तावित करते हैं जो पूरे विकल्पों की श्रृंखला को समय में आगे की ओर (forward in time) बढ़ने वाले एक एकल, जुड़े हुए सिस्टम के रूप में मानता है।

एक ट्रेन की कल्पना करें जिसमें कई डिब्बे (जो विकल्प के विभिन्न समय अवधियों का प्रतिनिधित्व करते हैं) हैं।

इंजन (फॉरवर्ड प्रोसेस): ट्रेन पटरियों पर आगे बढ़ती है, जो यह सिम्युलेट करती है कि स्टॉक की कीमत या संपत्ति का मूल्य दिन-प्रति-दिन कैसे बदलता है। यह "फॉरवर्ड" वाला हिस्सा है।
कपलिंग (द कंपाउंड कंडीशन): विशिष्ट स्टेशनों (तारीखों) पर, डिब्बे आपस में जुड़ जाते हैं। स्टेशन A पर पहुँचने वाले डिब्बे का मूल्य, स्टेशन B से निकलने वाले डिब्बे के मूल्य के बराबर होना चाहिए, जिसे अनुबंध के नियमों (जैसे स्ट्राइक प्राइस चुकाना या विकल्प का प्रयोग करने का निर्णय लेना) के अनुसार समायोजित किया गया हो।
स्मार्ट ड्राइवर (न्यूरल नेटवर्क): हर डिब्बे के मूल्य की मैन्युअल रूप से गणना करने के बजाय, एक कंप्यूटर प्रोग्राम (न्यूरल नेटवर्क) ड्राइवर के रूप में कार्य करता है। वह शुरुआत में डिब्बों के मूल्यों का अनुमान लगाता है। जैसे-जैसे ट्रेन आगे बढ़ती है, ड्राइवर यह जाँचता है कि डिब्बों के बीच के जुड़ाव (links) कितने मजबूत हैं। यदि स्टेशनों पर मूल्य नियमों से मेल नहीं खाते हैं, तो ड्राइवर अपने अनुमान को समायोजित करता है और फिर से प्रयास करता है।

3. यह कैसे सीखता है: "ग्रुप हग" (The Group Hug)

पुराने तरीकों में, आप एक समय में एक डिब्बे को ठीक करने की कोशिश कर सकते हैं, जो पीछे की ओर काम करता है। यह नई विधि एक कंपाउंड BSDE (Backward Stochastic Differential Equation) का उपयोग करती है।

इसे दोस्तों के एक समूह की तरह समझें जो एक कहानी पर सहमत होने की कोशिश कर रहे हैं।

दोस्त A (समय 1) को एक ऐसी कहानी सुनानी है जो दोस्त B (समय 2) से पूरी तरह जुड़ती हो।
दोस्त B को दोस्त C (समय 3) से जुड़ने की आवश्यकता है।
दोस्त C अंत में अंतिम कहानी सुनाता है।

यह पूछने के बजाय कि पहले दोस्त C कहानी सुनाए और फिर दोस्त A तक पीछे की ओर काम किया जाए, कंपाउंड BSDE विधि सभी से आगे बढ़ते हुए एक साथ अपना हिस्सा सुनाने के लिए कहती है। वे अपनी कहानियों को तब तक समायोजित करते हैं जब जब तक कि उनके बीच के संबंध एकदम सटीक न हो जाएं। कंप्यूटर इन कनेक्शनों में होने वाली "गलतियों" (errors) को कम करता है जब तक कि पूरी कहानी शुरुआत से अंत तक सही न हो जाए।

4. यह क्यों विशेष है

यह पूरी तरह से 'फॉरवर्ड' है: अन्य विधियों के विपरीत जिन्हें पीछे की ओर देखने की आवश्यकता होती है (जो उच्च-आयामी/high-dimensional डेटा के साथ कठिन है), यह विधि सब कुछ आगे की ओर सिम्युलेट करती है, जो इसे कंप्यूटर के लिए बहुत तेज़ और आसान बनाता है।
यह जटिलता को संभालता है: यह "हाई-डायमेंशनल" समस्याओं के लिए बहुत अच्छा काम करता है। कल्पना कीजिए कि केवल एक सेब के बजाय 50 अलग-अलग फलों (स्टॉक्स) की एक टोकरी है। पारंपरिक तरीके 50 चरों के साथ संघर्ष करते हैं, लेकिन यह "फॉरवर्ड ट्रेन" विधि उन्हें आसानी से संभाल लेती है।
यह सटीक है: लेखकों ने गणितीय रूप से सिद्ध किया है कि जैसे-जैसे आप समय के चरणों (time steps) को छोटा करते हैं (ट्रेन के अधिक स्टॉप), उत्तर वास्तविक मूल्य के करीब पहुँच जाता है। उन्होंने विभिन्न "नेस्टिंग डॉल" विकल्पों और "अर्ली एक्सरसाइज" विकल्पों (जहाँ आप कभी भी कैश आउट कर सकते हैं) पर इसका परीक्षण किया, और परिणाम बहुत सटीक थे।

सारांश

यह शोध पत्र जटिल वित्तीय विकल्पों की कीमत निर्धारित करने का एक नया, "पूरी तरह से फॉरवर्ड" तरीका प्रस्तुत करता है। समस्या को अंत से शुरू करके और पीछे की ओर काम करके हल करने के बजाय, यह भविष्य को समय में आगे की ओर सिम्युलेट करता है, और एक स्मार्ट कंप्यूटर प्रोग्राम का उपयोग करता है ताकि यह सुनिश्चित किया जा सके कि विकल्प के सभी विभिन्न चरण (कंपाउंड भाग) आपस में पूरी तरह फिट बैठें। यह एक टीम को एक सीधी रेखा में पीछे की ओर मार्च करने के बजाय, पूरी तरह से तालमेल में आगे बढ़ने के लिए प्रशिक्षित करने जैसा है। यह इसे उन बहुत जटिल, बहु-चरणीय वित्तीय अनुबंधों की सटीक गणना करना संभव बनाता है जो पहले गणना करने के लिए बहुत कठिन थे।

तकनीकी सारांश: कंपाउंड BSDE विधि (The Compound BSDE Method)

समस्या विवरण (Problem Statement)

वित्तीय गणित जटिल पेऑफ संरचनाओं (payoff structures), प्रारंभिक-अभ्यास विशेषताओं (जैसे अमेरिकन और बर्मीडन ऑप्शंस), और उच्च-आयामी अंतर्निहित गतिकी (high-dimensional underlying dynamics) वाले डेरिवेटिव्स के मूल्य निर्धारण में महत्वपूर्ण चुनौतियों का सामना करता है। जबकि पारंपरिक विधियाँ जैसे PDE, फूरियर तकनीकें और मोंटे कार्लो रिग्रेशन मौजूद हैं, वे अक्सर "आयाम के अभिशाप" (curse of dimensionality) या बैकवर्ड इंडक्शन (backward induction) की कम्प्यूटेशनल जटिलता से जूझती हैं।

बैकवर्ड स्टोकेस्टिक डिफरेंशियल इक्वेशंस (BSDEs) फयमन-काक (Feynman–Kac) प्रतिनिधित्व के माध्यम से इन समस्याओं के लिए एक लचीला ढांचा प्रदान करते हैं। हालाँकि, BSDEs के लिए मौजूदा डीप-लर्निंग आधारित दृष्टिकोण, जैसे कि 'डीप BSDE विधि', मुख्य रूप से एकल BSDEs के लिए डिज़ाइन किए गए हैं। जबकि हालिया वेरिएंट्स (variants) प्रारंभिक-अभ्यास (early-exercise) समस्याओं को हल करने का प्रयास करते हैं (जैसे बर्मीडन ऑप्शंस), ये विधियाँ अक्सर बैकवर्ड सिमुलेशन पर निर्भर करती हैं या इनमें स्थापित अभिसरण गारंटी (convergence guarantees) का अभाव होता है। संबोधित किया जाने वाला मुख्य मुद्दा एक पूर्णतः फॉरवर्ड (fully forward), डीप-लर्निंग-आधारित संख्यात्मक विधि की आवश्यकता है जो मल्टी-स्टेज पेऑफ और ऑप्टिमल स्टॉपिंग (optimal stopping) को बिना बैकवर्ड इंडक्शन की आवश्यकता के स्वाभाविक रूप से मॉडल कर सके।

कार्यप्रणाली: कंपाउंड BSDE विधि (Methodology: The Compound BSDE Method)

यह शोध पत्र कंपाउंड BSDE विधि का प्रस्ताव करता है, जो ऑप्शन प्राइसिंग और ऑप्टिमल स्टॉपिंग समस्याओं को युग्मित (coupled) बैकवर्ड स्टोकेस्टिक डिफरेंशियल इक्वेशंस के एक सिस्टम में पुनर्गठित करता है।

1. कंपाउंड BSDE फॉर्मूलेशन (The Compound BSDE Formulation)

यह विधि एक फिल्टर्ड प्रोबेबिलिटी स्पेस पर परिभाषित $M$ -फोल्ड कंपाउंड BSDE पेश करती है, जिसमें समय अंतराल $0 = T_0 < T_1 < \dots < T_M = T$ होते हैं। यह सिस्टम निम्नलिखित से बना है:

अंडरलाइंग एसेट $X_t$ के लिए एक एकल फॉरवर्ड SDE।
क्रमिक अंतरालों $[T_{j-1}, T_j]$ पर परिभाषित $M$ बैकवर्ड समीकरण।
कपलिंग स्थितियाँ (Coupling Conditions): समीकरणों को मध्यवर्ती समय $T_j$ पर कंपाउंडिंग फंक्शन्स $g_j$ के माध्यम से जोड़ा जाता है। विशेष रूप से, $j$ -वें बैकवर्ड समीकरण की टर्मिनल स्थिति $T_j$ पर $(j+1)$ -वें समीकरण के समाधान पर निर्भर करती है:
$Y_{j, T_j} = g_j(X_{T_j}, Y_{j+1, T_j})$
अंतिम समीकरण ( $j=M$ ) एक मानक स्थिति $g_M(X_T)$ के साथ समाप्त होता है।

यह संरचना जटिल वित्तीय उत्पादों का प्रतिनिधित्व करने की अनुमति देती है जहाँ किसी मध्यवर्ती समय पर मूल्य, बाद के ऑप्शन या एक्सरसाइज निर्णय पर निर्भर करता है।

2. संख्यात्मक एल्गोरिदम (The Numerical Algorithm)

प्रस्तावित एल्गोरिदम एक पूर्णतः फॉरवर्ड विधि (fully forward method) है। पारंपरिक बैकवर्ड स्कीम्स के विपरीत, जो पथों को फॉरवर्ड सिम्युलेट करते हैं और बैकवर्ड ऑप्टिमाइज़ करते हैं, यह विधि:

फॉरवर्ड SDE और सभी $M$ बैकवर्ड समीकरणों को एक साथ फॉरवर्ड टाइम दिशा में सिम्युलेट करती है।
प्रारंभिक मानों $\{Y_{j, T_{j-1}}\}$ और प्रक्रियाओं $\{Z_{j, t_i}\}$ को न्यूरल नेटवर्क का उपयोग करके पैरामीटराइज़ करती है।
एक संयुक्त ऑब्जेक्टिव फंक्शनल (joint objective functional) को कम करती है जो टर्मिनल कंडीशन और मध्यवर्ती कंपाउंडिंग स्थितियों दोनों को लागू करता है:
$\mathcal{L} = \sum_{j=1}^{M-1} \mathbb{E}\|g_j(X^\pi_{T_j}, Y^\pi_{j+1, T_j}) - Y^\pi_{j, T_j}\|^2 + \mathbb{E}\|g_M(X^\pi_{T_M}) - Y^\pi_{M, T_M}\|^2$
न्यूरल नेटवर्क इस लॉस (loss) को कम करने के लिए प्रशिक्षित किए जाते हैं, जो प्रभावी रूप से पूरे युग्मित सिस्टम के समाधान को एक साथ सीख लेते हैं।

3. सैद्धांतिक आधार (Theoretical Foundations)

शोध पत्र मानक लिप्सचिट्ज़ (Lipschitz) और रेगुलैरिटी धारणाओं के तहत कंपाउंड BSDE की सुव्यवस्थितता (well-posedness) स्थापित करता है। प्रमुख सैद्धांतिक परिणाम शामिल हैं:

अस्तित्व और विशिष्टता (Existence and Uniqueness): सिस्टम एक अद्वितीय अडैप्टेड सॉल्यूशन को स्वीकार करता है, जो सेमीलीनियर PDEs के एक सिस्टम के विस्कोसिटी सॉल्यूशन (viscosity solution) के अनुरूप होता है।
अभिसरण विश्लेषण (Convergence Analysis): मानक डीप BSDE विधि के ए पोस्टेरिओरी एरर एस्टीमेट्स (a posteriori error estimates) पर निर्माण करते हुए, लेखक कंपाउंड BSDE विधि के लिए एक ए पोस्टेरिओरी एरर एस्टीमेट प्राप्त करते हैं। कुल त्रुटि (error) टाइम स्टेप साइज $h$ और ट्रेनिंग लॉस (ऑब्जेक्टिव फंक्शनल का मान) द्वारा सीमित होती है। यह सिद्ध करता है कि यदि न्यूरल नेटवर्क सफलतापूर्वक लॉस को कम करते हैं, तो संख्यात्मक समाधान वास्तविक समाधान की ओर अभिसरित (converge) होता है।

मुख्य योगदान (Key Contributions)

नया फॉर्मूलेशन: कंपाउंड BSDE का परिचय, जो एक नया गणितीय फॉर्मूलेशन है जो मल्टी-स्टेज डेरिवेटिव्स (जैसे कंपाउंड ऑप्शंस) और ऑप्टिमल स्टॉपिंग समस्याओं (जैसे बर्मीडन ऑप्शंस) को एक एकल ढांचे के तहत एकीकृत करता है।
फुली फॉरवर्ड एल्गोरिदम: एक संख्यात्मक एल्गोरिदम का विकास जो स्वाभाविक रूप से पूर्णतः फॉरवर्ड है। यह बैकवर्ड इंडक्शन चरण से बचता है जिसकी आवश्यकता मौजूदा विधियों में अर्ली-एक्सरसाइज ऑप्शंस के लिए होती है, जिससे सभी चरणों को एक साथ सीखना संभव हो जाता है।
अभिसरण गारंटी: प्रस्तावित विधि के लिए कठोर अभिसरण गुण और एक ए पोस्टेरिओरी एरर एस्टीमेट की स्थापना, जो साहित्य के उस अंतर को भरती है जहाँ बर्मीडन ऑप्शंस के लिए डीप लर्निंग विधियों के अभिसरण को पूरी तरह से स्थापित नहीं किया गया था।
एकीकृत ढांचा: यह प्रदर्शित करना कि विविध वित्तीय समस्याओं को, जैसे कि साधारण कंपाउंड ऑप्शंस से लेकर उच्च-आयामी बर्मीडन बास्केट ऑप्शंस तक, केवल कंपाउंडिंग फंक्शन्स $g_j$ को समायोजित करके एक ही एल्गोरिद्मिक टेम्पलेट का उपयोग करके हल किया जा सकता है।

संख्यात्मक परिणाम (Numerical Results)

लेखक व्यापक संख्यात्मक प्रयोगों के माध्यम से विधि को मान्य करते हैं:

प्लेन कंपाउंड ऑप्शंस ( $M=2$ ): विधि कॉल-ऑन-कॉल, कॉल-ऑन-पुट, पुट-ऑन-कॉल और पुट-ऑन-पुट ऑप्शंस का सटीक मूल्य निर्धारण करती है, जिसमें रिलेटिव मीन स्क्वेर्ड एरर्स (reMSE) $10^{-7}$ जितना कम है। परिणाम टाइम स्टेप साइज के संबंध में प्रथम-क्रम अभिसरण (first-order convergence) की पुष्टि करते हैं।
M-फोल्ड कंपाउंड ऑप्शंस: विधि $M \in \{2, 3, 4, 5\}$ के लिए प्रभावी ढंग से स्केल करती है, और कंपाउंडिंग चरणों की संख्या बढ़ने के साथ सटीकता और स्थिरता बनाए रखती है।
उच्च-आयामी बर्मीडन ऑप्शंस: विधि को $d_1 = 50$ तक के आयामों में बर्मीडन ज्योमेट्रिक बास्केट पुट ऑप्शंस के लिए लागू किया गया है। परिणाम दिखाते हैं कि विधि उच्च-आयामी सेटिंग्स में सटीक कीमतें और हेजेज (डेल्टा) प्राप्त करती है, जहाँ त्रुटियां आयाम बढ़ने के साथ स्थिर रहती हैं। अभिसरण व्यवहार पेपर में व्युत्पन्न सैद्धांतिक त्रुटि सीमाओं के अनुरूप है।

महत्व और दावे (Significance and Claims)

शोध पत्र का दावा है कि कंपाउंड BSDE विधि मल्टी-स्टेज डेरिवेटिव्स और डिस्क्रीट-टाइम ऑप्टिमल स्टॉपिंग समस्याओं दोनों के लिए एक एकीकृत संख्यात्मक ढांचा प्रदान करती है। इसका प्राथमिक महत्व है:

बैकवर्ड सीमा को पार करना: एक पूर्णतः फॉरवर्ड विधि होने के नाते, यह बैकवर्ड सिमुलेशन की आवश्यकता को दरकिनार करती है, जो अक्सर उच्च-आयामी ऑप्टिमल स्टॉपिंग के लिए कम्प्यूटेशनल रूप से महंगा या कठिन होता है।
सैद्धांतिक कठोरता: यह एक गणितीय रूप से ठोस दृष्टिकोण प्रदान करता है जिसके अभिसरण सिद्ध हैं, जो अर्ली-एक्सरसाइज ऑप्शंस के लिए कुछ ह्यूरिस्टिक (heuristic) डीप लर्निंग दृष्टिकोणों से भिन्न है।
लचीलापन: उच्च-आयामी समस्याओं और जटिल पेऑफ संरचनाओं (कंपाउंडिंग फंक्शन्स $g_j$ के चयन के माध्यम से) को संभालने की क्षमता इसे आधुनिक वित्तीय इंजीनियरिंग के लिए एक बहुमुखी उपकरण बनाती है।

लेखक निष्कर्ष निकालते हैं कि हालांकि वर्तमान में यह विधि गुणांकों (coefficients) पर लिप्सचिट्ज़ धारणाओं द्वारा सीमित है, फिर भी यह जटिल प्राइसिंग समस्याओं के लिए फॉरवर्ड डीप-लर्निंग सॉल्वर के लिए एक लचीला और सैद्धांतिक रूप से सुदृढ़ मार्ग प्रदान करती है। भविष्य के कार्य में इन धारणाओं को शिथिल करना और वेरिएंस रिडक्शन तकनीकों को शामिल करना शामिल हो सकता है।