Deep Operator BSDE: a Numerical Scheme to Approximate Solution Operators

Sintesi Tecnica: Deep Operator BSDE: Uno schema numerico per approssimare gli operatori di soluzione

Definizione del Problema
Il documento affronta l'approssimazione numerica dell'operatore di soluzione per le BSDE (Equazioni Differenziali Stocastiche Backward). Mentre esiste una vasta letteratura sull'approssimazione della soluzione $(Y, Z)$ di una BSDE per una condizione terminale $\xi$ fissa, i metodi esistenti richiedono tipicamente la riesecuzione dell'algoritmo ogni volta che $\xi$ cambia. Gli autori mirano ad approssimare l'operatore stesso:
$$\xi \mapsto (Y^\xi_t, Z^\xi_t)_{t \in [0,T]}$$
dove $(Y^\xi, Z^\xi)$ risolve la BSDE con condizione terminale $\xi$. Ciò è motivato da applicazioni nei rischi dinamici e nelle aspettative condizionate $g$, dove è necessario valutare la soluzione per una collezione di condizioni terminali piuttosto che per un singolo istanza. La sfida risiede nel gestire la natura a dimensione infinita dello spazio delle condizioni terminali $L^2(\mathcal{F}_T)$ e la difficoltà computazionale del calcolo delle aspettative condizionate in dimensioni elevate.

Metodologia
Il framework proposto, denominato Deep Operator BSDE, combina tre ingredienti principali:

1. Decomposizione del Caos di Wiener: La condizione terminale $\xi \in L^2(\mathcal{F}_T)$ viene decomposta utilizzando una base ortonormale di $L^2([0,T]; \mathbb{R}^d)$ e polinomi di Hermite. Ciò consente di rappresentare $\xi$ come una serie di coefficienti $d_a$ associati a funzioni di base $\Phi_a$.
2. Rappresentazione FBSDE a dimensione infinita: Gli autori dimostrano che la soluzione della BSDE con una condizione terminale generale $\xi$ può essere vista come la soluzione di un sistema FBSDE (Forward-Backward SDE) in cui il processo forward $X_t$ è a dimensione infinita. Nello specifico, $X_t$ soddisfa una SDE lineare guidata dalla base del caos, e la condizione terminale dell'equazione backward diventa un funzionale lineare del valore finale di $X_T$.
3. Rappresentazione Markoviana e Schema Euler per Operatori:
   • Proprietà Markoviana: Viene dimostrato che gli operatori di soluzione $Y_t(\xi)$ e $Z_t(\xi)$ ammettono una rappresentazione markoviana della forma $u(t, X_t, \xi)$ e $v(t, X_t, \xi)$, dove $u$ e $v$ sono mappe misurabili congiuntamente.
   • Schema Euler per Operatori: Viene derivato uno schema numerico ricorsivo, analogo al classico schema di Eulero all'indietro per le BSDE. Tuttavia, invece di calcolare variabili casuali ad ogni passo temporale, lo schema calcola operatori (funzioni) $Y^\pi_i$ e $Z^\pi_i$ che mappano lo stato corrente del processo a dimensione infinita e la condizione terminale verso la soluzione.
   • Approssimazione a dimensione finita: Per rendere il problema computazionalmente trattabile, la decomposizione del caos a dimensione infinita viene troncata a un ordine finito $p$ e a una dimensione della base finita $M$. Ciò riduce il problema all'approssimazione di mappe a dimensione finita.
   • Implementazione con Reti Neurali: A causa dell'alta dimensionalità dello spazio del caos troncato (la "maledizione della dimensionalità"), gli autori impiegano reti neurali per approssimare le mappe misurabili $u$ e $v$. L'obiettivo di addestramento è la minimizzazione dei minimi quadrati del residuo della BSDE su un insieme compatto di condizioni terminali definite dai coefficienti del caos troncati.

Contributi Chiave

• Primo Schema di Approssimazione di Operatori: Il documento presenta quello che gli autori rivendicano essere il primo schema numerico specificamente progettato per approssimare l'operatore di soluzione di una BSDE, piuttosto che la soluzione per una condizione terminale fissa.
• Convergenza Teorica: Gli autori dimostrano la convergenza dello schema Euler per Operatori alla vera operazione di soluzione sotto assunzioni molto lievi (continuità Lipschitz uniforme del generatore). Forniscono un tasso di convergenza in termini della dimensione del passo temporale $|\pi|$ e della regolarità delle componenti della soluzione ($R_Y, R_Z$).
• Misurabilità Congiunta: Un contributo teorico significativo è la prova che gli operatori di soluzione possono essere rappresentati come funzioni misurabili congiuntamente del tempo, dello stato a dimensione infinita e della condizione terminale $\xi$. Ciò giustifica l'uso di un singolo framework di apprendimento per $\xi$ variabili.
• Limiti di Errore: Gli autori stabiliscono i limiti di errore per il troncamento a dimensione finita, mostrando che l'errore di approssimazione dipende dalla coda della decomposizione del caos di Wiener di $\xi$.

Risultati
Il metodo è stato implementato e testato su due esempi numerici:

1. Generatore Lineare (1D): Pricing e hedging di 22 diverse famiglie di opzioni (incluse opzioni europee, barrier, Asian e lookback) in un contesto Black-Scholes. Il Deep Operator BSDE è stato addestrato su un set ad alta dimensionalità di coefficienti ed è stato valutato su specifiche famiglie. I risultati hanno mostrato errori relativi medi per $Y_0$ (prezzo) generalmente inferiori allo $0,5\%$ e per $Z_0$ (hedging) generalmente inferiori al $2\%$, comparabili ai metodi Monte Carlo di base.
2. Generatore Non Lineare (2D): Pricing in un modello Black-Scholes a 2 dimensioni con diversi tassi di prestito e di deposito (generatore non lineare). Il metodo è stato testato su 28 famiglie di opzioni. I risultati hanno dimostrato la capacità di gestire condizioni terminali strutturalmente diverse (ad esempio, opzioni basket, spread, max/min) all'interno di un unico framework unificato.

Significatività e Rivendicazioni
Il documento sostiene che la principale significatività di questo lavoro risieda nella sua prospettiva basata sugli operatori. A differenza degli esistenti metodi parametrici che apprendono soluzioni per specifici vettori di parametri o condizioni terminali fisse, questo metodo apprende la mappatura dallo spazio intero delle condizioni terminali alla soluzione.

• Framework Unificato: Gli autori affermano che il loro metodo permette l'approssimazione di soluzioni attraverso "diverse famiglie di condizioni terminali" (ad esempio, sia payoff dipendenti dal percorso che dipendenti dallo stato) all'interno di un singolo processo di addestramento.
• Generalità: Lavorando direttamente con la formulazione BSDE e il caos di Wiener, il metodo gestisce una classe più ampia di condizioni terminali rispetto agli approcci FBSDE markoviani, che si basano sul fatto che la condizione terminale sia una funzione del valore finale di una diffusione forward.
• Limitazioni: Gli autori riconoscono con modestia la "maledizione della dimensionalità" come una limitazione chiave; la dimensione dello spazio di input per le reti neurali cresce rapidamente con l'ordine del caos $p$ e la dimensione della base $M$, rendendo l'ottimizzazione impegnativa e computazionalmente costosa per contesti ad altissima dimensionalità. Non rivendicano che il metodo risolva la maledizione della dimensionalità, ma piuttosto che fornisca un framework per gestirla tramite reti neurali per dimensioni moderatamente elevate.

Il documento conclude che, sebbene il metodo possa non corrispondere sempre perfettamente ai baseline per istanze specifiche a causa della generalizzazione richiesta, dimostra con successo la fattibilità dell'apprendimento degli operatori di soluzione BSDE, offrendo un vantaggio distinto per problemi che richiedono la valutazione attraverso diverse condizioni terminali.