Low-rank kernel methods for American option pricing

Technische Samenvatting: Low-rank kernel-methoden voor de prijsbepaling van Amerikaanse opties

Probleemstelling
De waardering van Amerikaanse derivaten vormt een fundamentele uitdaging in de mathematische financiën, waarbij de oplossing van een optimale stopprobleem onder een risiconeutrale maat vereist is. In tegenstelling tot Europese opties, staan Amerikaanse opties uitoefening op elk moment voor vervaldatum toe, wat de schatting van conditionele voortzettingswaarden op elke potentiële uitoefendatum noodzakelijk maakt. Hoewel de op regressie gebaseerde Least-Squares Monte Carlo (LSM)-methode, gepionierd door Longstaff en Schwartz [2001], door zijn conceptuele eenvoud de industriestandaard is geworden, lijdt deze aan aanzienlijke computertekortkomingen in hoogdimensionale settings. Specifiek vereist LSM het passen van een nieuw regressiemodel op elke uitoefendatum tijdens de achterwaartse dynamische programmeringsrecursie. Deze "per-stap" regressie domineert de computerkosten en schaalt slecht met het aantal gesimuleerde paden en uitoefendata. Bovendien beperkt de afhankelijkheid van expliciete, vaak ad-hoc basisfuncties het vermogen van de methode om complexe niet-lineaire afhankelijkheden te vangen zonder over- of onderfitting.

Methodologie
De auteurs stellen een schaalbaar, theoretisch onderbouwd alternatief voor dat de schatting van voortzettingswaarden herformuleert als een leerverbintenis binnen een Reproducing Kernel Hilbert Space (RKHS). De kern van de methodologie rust op de Conditional Mean Embedding (CME)-operator, die de conditionele verwachting voorstelt als een lineaire operator die werkt op toekomstige uitkeringen.

1. Offline-Online Decompositie: Door de conditionele verwachting te behandelen als een enkele lineaire operator op de RKHS, ontkoppelt de methode de leerverbintenis van de prijsbepalingsfase. De operator wordt eenmaal geleerd uit gesimuleerde data in een offline fase en vervolgens hergebruikt over alle uitoefendata en strikes in de online achterwaartse recursie. Dit elimineert de noodzaak om regressiemodellen bij elke stap opnieuw te berekenen, een primaire bottleneck in standaard LSM en veel deep learning-benaderingen.
2. Low-Rank Benadering: Naïeve kernel-methoden brengen doorgaans een computercost van $O(n^3)$ met zich mee met betrekking tot het aantal gesimuleerde paden $n$. Om schaalbaarheid te herstellen, introduceren de auteurs een low-rank benadering gebaseerd op gepivoteerde Cholesky-decompositie. Deze techniek maakt gebruik van het spectrale verval van de relevante kernel-matrices ($K_X$ en $K_Y$) om een gereduceerde subruimterepresentatie te construeren.
   • Het algoritme construeert een low-rank Cholesky-factorisatie ($K \approx LL^\top$) en een bijbehorende bi-orthogonale basis-transformatie.
   • Dit leidt tot een gesloten-vorm schatter in een gereduceerde subruimte waar de computerkost lineair schaalt met $n$ ($O(nm^2)$ voor training en $O(m^2)$ voor evaluatie, waarbij $m \ll n$ de rang is).
   • De benaderingsfout wordt gecontroleerd door een truncatietolerantie $\varepsilon$.

Belangrijkste Bijdragen
Het artikel levert vier primaire bijdragen:

1. Herformulering als Operator Learning: De schatting van voortzettingswaarden wordt herschreven als het leren van een conditionele mean embedding in een tensor-product RKHS. Dit levert een algoritme op dat de conditionele verwachtingsoperator eenmaal leert en hergebruikt, wat een schone offline-online decompositie biedt.
2. Schaalbare Low-Rank Schatter: De auteurs introduceren een low-rank benadering van het kernelsysteem met behulp van gepivoteerde Cholesky-factorisatie. Dit biedt een gesloten-vorm schatter in een gereduceerde subruimte met aanzienlijk lagere computerkost dan de dichte kernel-oplossing, terwijl een gecontroleerde benaderingsfout behouden blijft.
3. Convergentie en Foutanalyse: Het artikel vestigt convergentiegaranties voor het voorgestelde schema. Het leidt expliciete grenzen af die de benaderingsfouten kwantificeren die zich voortplanten door de achterwaartse recursie. Deze resultaten breiden de bestaande convergentietheorie van LSM-achtige algoritmen uit naar niet-parametrische kernel-schatters met low-rank truncatie.
4. Numerieke Validatie: Uitgebreide numerieke experimenten op het Heston-stochastische volatiliteitsmodel tonen aan dat de voorgestelde methode (CME-LR) qua nauwkeurigheid de Longstaff-Schwartz-benchmark evenaart of overtreft, terwijl ze een aanzienlijke snelheidswinst biedt, vooral naarmate het aantal simulatiepaden toeneemt.

Resultaten
Numerieke experimenten werden uitgevoerd op Amerikaanse putopties onder het Heston-model met variërende vervaldata, strikes en aantallen simulatiepaden ($n \in \{10^2, \dots, 10^5\}$).

• Computerefficiëntie: De CME-LR-methode is systematisch sneller dan de Longstaff-Schwartz (LS) baseline over alle geteste configuraties. De snelheidswinst is het meest uitgesproken voor kleinere $n$, toegeschreven aan de spaarzame aard van de low-rank basis en de eliminatie van herhaalde coefficientherberekening.
• Nauwkeurigheid: CME-LR bereikt uniform een lagere gemiddelde relatieve fout in de impliciete volatiliteit vergeleken met LS over alle vervaldata en steekproefgroottes.
• Foutprofiel: De foutanalyse onthult een complementair profiel: CME-LR is nauwkeuriger voor out-of-the-money opties (positieve log-moneyness), terwijl LS een licht voordeel behoudt voor in-the-money opties.
• Ranggedrag: De rang van de kernel-matrix $K_Y$ groeit sublineair met $n$, wat bevestigt dat de low-rank structuur zich automatisch aanpast aan de datacomplexiteit. De rang van $K_X$ blijft zeer klein (bijvoorbeeld 2–6) vanwege de sterke negatieve correlatie in het Heston-model, wat de gezamenlijke verdeling concentreert nabij een laagdimensionale manifold.

Betekenis en Claims
De auteurs positioneren dit werk als een brug tussen de theoretische transparantie van regressie-gebaseerde LSM en de datagedreven flexibiliteit van modern machine learning. De betekenis van de aanpak ligt in het vermogen om:

• Per-Stap Regressie te Elimineren: Door een enkele operator offline te leren, vermijdt de methode de dominante computerkost van LSM en de kostbare hertraining die vaak vereist is door deep learning-schema's op elke uitoefendatum.
• Theoretische Strenge te Bieden: In tegenstelling tot veel deep learning-benaderingen waarbij statistische eigenschappen minder goed begrepen zijn, biedt deze methode expliciete convergentiesnelheden en foutgrenzen die rekening houden met zowel statistische fout als low-rank benaderingsfout.
• Schalen naar Hoogdimensies: De lineaire schaling met betrekking tot het aantal paden en de offline-online structuur maken de methode computertrekbaar voor problemen die manden van activa, stochastische volatiliteit en stochastische rentevoeten omvatten, waarbij klassieke rooster- of PDE-methoden falen.

Het artikel concludeert dat de voorgestelde low-rank kernel-methode een robuust, efficiënt en theoretisch onderbouwd alternatief biedt voor hoogdimensionale prijsbepaling van Amerikaanse opties, waarbij de totale prijsbepalingsfout maximaal lineair groeit met het aantal uitoefendata.