Pricing Multi-Asset Options Using Physics-Informed Neural Networks

Technische Samenvatting: Prijsbepaling van Multi-Asset Opties met behulp van Physics-Informed Neural Networks

Probleemstelling
Het artikel behandelt de waardering van Amerikaanse opties op meerdere onderliggende activa ($d > 1$), zoals basket-, spread- of rainbow-opties. In tegenstelling tot Europese opties laten Amerikaanse opties vroege uitoefening toe, wat het prijsbepalingsprobleem transformeert in een vrije-grensprobleem (free-boundary problem). De optiewaarde moet voldoen aan de Black–Scholes partiële differentiaalvergelijking (PDE) in een "continuatieregio" (waar aanhouden optimaal is), terwijl deze tegelijkertijd beperkt wordt door de intrinsieke payoff in een "uitoefenregio" (waar onmiddellijke verzilvering optimaal is). De grens die deze regio's scheidt, is vooraf niet bekend.

Hoewel problemen met één actief ($d=1$) effectief kunnen worden opgelost met methoden zoals eindige verschillen, binomiale bomen en radial basis functions (RBF), leidt de uitbreiding naar hogere dimensies naar een "vloek van dimensionaliteit" (curse of dimensionality). Specifiek lijden traditionele grid-gebaseerde of knot-gebaseerde quasi-interpolatieschema's (bijv. Hon en Schaback, 2002) onder een exponentiële groei in complexiteit ($O(N^d)$) naarmate het aantal activa toeneemt, waardoor ze computationeel onhaalbaar worden voor $d > 1$.

Methodologie
De auteurs stellen een Physics-Informed Neural Network (PINN) raamwerk voor om de optiewaarde en de optimale uitoefenlimiet te benaderen zonder expliciete mesh-generatie.

1. Wiskundige Formulering:

   • Het probleem wordt geformuleerd in log-prijscoördinaten ($x_i = \log S_i$) om de diffusieterm te symmetriseren en variabelen met variabele coëfficiënten om te zetten naar constanten.
   • Het prijsbepalingsprobleem wordt uitgedrukt als een variatietische ongelijkheid of een lineair complementariteitsprobleem:
     $$\min\left( -\frac{\partial u}{\partial t} + \mathcal{L}u, \, u - g \right) = 0$$
     waarbij $\mathcal{L}$ de multi-asset Black–Scholes operator is, $u$ de optiewaarde en $g$ de payoff. Dit impliceert dat ofwel de PDE-residue nul is (continuatieregio), ofwel de optiewaarde gelijk is aan de payoff (uitoefenregio), waarbij $u \geq g$ altijd geldt.

2. Neuraal Netwerk Architectuur:

   • Een feed-forward netwerk met gladde activatiefuncties (specifiek tanh) benadert de optiewaarde $u_\theta(S, t)$.
   • Automatische differentiatie wordt gebruikt om de noodzakelijke eerste- en tweede-orde afgeleiden van de PDE-operator te berekenen, waardoor de noodzaak voor vaste basisfuncties wordt vermeden.

3. Loss Functie en Training:

   • Het netwerk wordt getraind door het minimaliseren van een gewogen som van vier residuele termen:
     1. PDE Residue: Dwingt de Black–Scholes vergelijking af in het binnenste.
     2. Terminale Conditie: Verankert de oplossing aan de bekende payoff bij expiratie.
     3. Randvoorwaarden: Dwingt gedrag af bij de grenzen van de activaprijzen (bijv. nul of oneindig).
     4. Obstakel/Vroege Uitoefen Voorwaarde: Bestraft schendingen waar $u < g$.
   • Sampling: In plaats van een vast grid, worden collocatiepunten gesampled uit low-discrepancy sequenties (Sobol of Latin Hypercube) over de ruimte-tijd domein. Dit maakt het mogelijk dat het aantal punten gunstiger schaalt met de dimensie $d$ vergeleken met tensor-product grids.
   • Herstel van de Uitoefenlimiet: De optimale uitoefenlimiet wordt a posteriori geïdentificeerd als de nul-level set waar de voorspelde waarde gelijk is aan de intrinsieke payoff ($u_\theta - g = 0$), wat een $(d-1)$-dimensionale hyperoppervlak vormt.

Experimentele Resultaten en Diagnostisch Proces
De auteurs voerden een uitgebreide diagnostische studie uit op een tweezijdige Amerikaanse basket put-optie met behulp van MATLAB. Het artikel beschrijft een progressie van acht experimentele runs, waarbij wordt benadrukt dat architecturale keuzes alleen onvoldoende waren; de wiskundige formulering van de loss functie was cruciaal.

• Initiële Mislukkingen (Runs 1–3): Vroege pogingen met standaard squared-hinge penalties voor de obstakelconditie en ongenormaliseerde inputs leidden tot divergentie of significante overschatting van de optieprijs (bijv. $12,58 vs. een Monte Carlo referentie van $6,90). Het netwerk had de neiging waarden op te blazen om aan de "groter dan" restrictie te voldoen zonder de PDE-residue goed te balanceren.
• Sampling en Stabiliteit (Runs 4–7): Aanpassingen zoals near-strike sampling, adaptieve resampling en het variëren van de loss landscape (bijv. het gebruik van een enkele variatietische ongelijkheid term) slaagden er niet in de discrepantie op te lossen. Sterker nog, adaptieve resampling gebaseerd op huidige residuen leidde tot slechtere prestaties ($30,77), en variatietische ongelijkheid losses introduceerden instabiliteit. Run 6, die stabiele hinge-gebaseerde obstakels combineerde met near-strike sampling, faalde ook en produceerde een prijs van $12,96 met vlakke Greeks.
• De Doorbraak (Run 8): De succesvolle configuratie steunde op het corrigeren van een theoretisch misverstand in de loss functie:
  1. Eenzijdige PDE Penalty: De PDE-residue wordt alleen bestraft wanneer deze negatief is (in de continuatieregio), waardoor deze positief mag zijn in de uitoefenregio waar de PDE strikt genomen niet standhoudt.
  2. Fischer–Burmeister Complementariteit: In plaats van een niet-gladde min functie of een eenvoudige hinge, werd een gladde Fischer–Burmeister functie gebruikt om de complementariteitsconditie af te dwingen ($gap \ge 0, F \ge 0, gap \cdot F = 0$).
  3. Normalisatie: Inputs en outputs werden genormaliseerd door de uitoefenprijs $K$.

Eindresultaat:
Met de gecorrigeerde loss functional (Run 8) bereikte de PINN een prijs van $7,87 voor de basket put, vergeleken met de Longstaff–Schwartz Monte Carlo referentie van $6,90. Dit is een overschatting van ongeveer 14%. De auteurs merken op dat hoewel dit een significante verbetering is ten opzichte van eerdere runs, de initiële vergelijking een "duidelijke onenigheid" tussen de benaderingen onthulde, en het definitieve resultaat een overschatting blijft die specifieke theoretische correcties vereist om de referentiewaarde te benaderen. De Greeks (deltas) kwamen ook nauwer overeen met de referentie.

Betekenis en Claims
Het artikel claimt dat het PINN-raamwerk een mesh-vrije methodologie biedt die in staat is om hoog-dimensionale Amerikaanse optie-prijsbepaling aan te pakken waar traditionele grid-gebaseerde methoden falen door de vloek van dimensionaliteit.

De primaire bijdrage is niet louter de toepassing van neurale netwerken, maar de rigoureuze identificatie van de wiskundige structuur die vereist is voor de loss functie. De auteurs demonstreren dat voor vrije-grensproblemen de loss functie de variatietische ongelijkheid accuraat moet coderen, specifiek met respect voor het feit dat de PDE-residue en de obstakelconditie niet overal gelijktijdig nul hoeven te zijn. De studie concludeert dat de PINN-benadering alleen concurrerend is met klassieke Monte Carlo methoden zodra de loss functional de onderliggende variatietische ongelijkheid accuraat codeert, en niet daarvoor. Dit onderstreept dat de algemene aanpak specifieke theoretische correcties aan de loss-structuur vereist om nauwkeurigheid te bereiken, in plaats van inherent concurrerend te zijn in de standaardformulering.