A deep learning method for solving American double Heston model
Dit artikel stelt een deep learning-framework voor dat gebruikmaakt van multiplicatieve ensembletechnieken van neurale netwerken (MLA-MoS-1 en MLA-MoS-2) om simultaan het Amerikaanse dubbele Heston-model onder zowel constante als stochastische rentestanden op te lossen, waarbij effectief de vroege uitoefeningsgrens, optiewaarden en de Grieken worden voorspeld.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
In de wereld van de financiën is het voorspellen van de toekomstige prijs van een aandeel een gok met hoge inzet. Beleggers vertrouwen op wiskundige modellen om de reële waarde van opties te bepalen, wat contracten zijn die de houder het recht geven, maar niet de verplichting, om een actief te kopen of verkopen tegen een specifieke prijs op een bepaalde datum. In tegenstelling tot standaardopties die alleen aan het einde van hun looptijd kunnen worden uitgeoefend, kunnen Amerikaanse opties op elk moment voor hun vervaldatum worden gekocht of verkocht. Deze flexibiliteit introduceert een complex vraagstuk: op welk exact tijdstip en tegen welke aandelenprijs moet een belegger ervoor kiezen om de optie uit te oefenen om de winst te maximaliseren? Dit beslissingspunt staat bekend als de vroege uitoefeningsgrens (early exercise boundary). Om dit op te lossen, gebruiken wiskundigen vergelijkingen die beschrijven hoe activaprijzen en hun volatiliteit — de maatstaf voor hoe wild prijzen schommelen — in de loop van de tijd evolueren. Wanneer deze modellen geavanceerd genoeg worden om rekening te houden met twee verschillende bronnen van volatiliteit en zelfs fluctuerende rentestanden, worden de vergelijkingen extreem moeilijk op te lossen, wat vaak enorme rekenkracht vereist en het maken van vereenvoudigende aannames impliceert die de nauwkeurigheid kunnen verminderen.
Een team onderzoekers van de University of Calgary en Louisiana Tech University heeft een nieuwe aanpak ontwikkeld om dit specifieke probleem aan te pakken met behulp van een vorm van kunstmatige intelligentie die bekend staat als deep learning. Ze richtten zich op een complex financieel model genaamd het Amerikaanse dubbele Heston-model, dat probeert de realiteit te vangen dat activaprijzen worden beïnvloed door twee afzonderlijke, interagerende bronnen van volatiliteit, en in sommige gevallen, door rentestanden die in de loop van de tijd veranderen. In plaats van te proberen de moeilijke vergelijkingen direct op te lossen met traditionele rastergebaseerde methoden, die rigide kunnen zijn en foutgevoelig wanneer ze te maken hebben met scherpe veranderingen, hebben de onderzoekers een neuraal netwerk getraind. Dit is een type computerprogramma dat geïnspireerd is door het menselijk brein en in staat is patronen te leren van data. Hun doel was om dit netwerk te leren om drie cruciale zaken tegelijkertijd te voorspellen: de waarde van de optie, het precieze moment en de prijs waarbij de optie moet worden uitgeoefend, en de "Greeks", wat gevoelige maten zijn voor hoe de prijs van de optie reageert op kleine veranderingen in de markt.
De onderzoekers ontwierpen een unieke architectuur voor hun neurale netwerk, die ze een "mengeling van oplossingen" (mixture of solutions) noemen. In plaats van te vertrouwen op één enkel, monolithisch programma, bouwden ze een systeem bestaande uit drie kleinere, gespecialiseerde netwerken die samenwerken. Eén deel van het systeem richt zich op het verstrijken van de tijd, een ander op de huidige staat van het actief en de volatiliteit, en een derde op de interactie tussen de verschillende volatiliteitsfactoren. Deze componenten worden op een specifieke manier gecombineerd waardoor het netwerk de scherpe, plotselinge veranderingen kan afhandelen die plaatsvinden op het moment dat een optie wordt uitgeoefend. Een belangrijke innovatie in hun methode is de manier waarop ze de grenzen van het probleem afhandelen. Traditionele methoden dwingen de oplossing vaak om aan strikte regels te voldoen aan de randen van de berekening, wat fouten kan introduceren. In plaats daarvan laat deze nieuwe methode het netwerk toe om het gedrag bij deze verre grenzen direct te leren van de onderliggende wiskundige regels tijdens het trainingsproces. Deze flexibiliteit elimineert de noodzaak voor kunstmatige beperkingen en laat het model het meest nauwkeurige gedrag zelf ontdekken.
Om ervoor te zorgen dat het netwerk effectief kon leren, gebruikten de onderzoekers een strategie genaamd "grid stretching" (roosterverrekking). Stel je voor dat je een kustlijn probeert in kaart te brengen waarbij de details in sommige gebieden zeer fijn zijn en in andere gebieden breed. Een standaardkaart zou de kleine baaien misschien missen. In gelijke zin verandert de waarde van een optie zeer snel nabij het punt waar deze wordt uitgeoefend, maar langzamer elders. De onderzoekers pasten hun datasampling aan om zich intensiever te concentreren op deze kritieke, snel veranderende gebieden, terwijl ze nog steeds de bredere reeks mogelijkheden dekten. Ze testten hun methode op een standaardcomputer met een moderne processor, waarbij ze een dataset gebruikten die verrassend klein is vergeleken met wat gewoonlijk vereist is voor dergelijke complexe problemen. De resultaten toonden aan dat hun neurale netwerk de waarde van de optie en de vroege uitoefeningsgrens met hoge nauwkeurigheid kon voorspellen, waarbij het de resultaten van gevestigde methoden die door andere experts in het vakgebied worden gebruikt, evenaakte of zelfs licht verbeterde.
De studie onderzocht ook een ingewikkelder scenario waarin rentestanden niet vast zijn maar willekeurig fluctueren, wat een vierde dimensie aan het probleem toevoegt. In deze uitgebreide versie testten de onderzoekers hun model onder twee verschillende omstandigheden: één waarbij de verschillende marktfactoren grotendeels onafhankelijk van elkaar waren, en één waarbij ze sterk aan elkaar gekoppeld waren. Het netwerk presteerde goed in beide gevallen en voorspelde succesvol de waarde en de optimale uitoefenstrategie, zelfs wanneer de relaties tussen de variabelen complex en niet-nul waren. De onderzoekers ontdekten dat hoewel het model robuust bleef, de nauwkeurigheid iets hoger was wanneer de marktfactoren minder onderling verbonden waren, wat suggereert dat de complexiteit van de relaties de precisie van de voorspelling wel degelijk beïnvloedt. Het vermogen van het netwerk om deze dichte, onderling verbonden scenario's zonder in elkaar te storten te verwerken, is echter een belangrijke stap voorwaarts.
Wat dit werk bijzonder opmerkelijk maakt, is niet alleen de nauwkeurigheid van de cijfers, maar ook de manier waarop de oplossing wordt gepresenteerd. Het neurale netwerk geeft niet alleen een enkele prijs weer; het genereert een volledig oppervlak dat laat zien hoe de waarde van de optie en het optimale uitoefenpunt veranderen over de tijd, de activaprijs en de volatiliteit. Dit biedt een uitgebreid beeld van het financiële landschap dat moeilijk te verkrijgen is met oudere methoden. De onderzoekers hebben ook aangetoond dat hun aanpak de "Greeks" kan berekenen — de gevoeligheidsmaten die handelaren gebruiken om risico's te beheren — met hetzelfde niveau van precisie. Door de rigide discretisering van ruimte en tijd te vermijden die traditionele numerieke methoden teistert, en door automatisch differentiëren te gebruiken om verandertarieven direct te berekenen, biedt de methode een vloeiendere en betrouwbaardere manier om de complexiteiten van moderne financiële derivaten te navigeren.
De implicaties van dit onderzoek reiken verder dan een enkel financieel model. Het demonstreert dat deep learning effectief kan worden toegepast op "free boundary problems", een klasse van wiskundige uitdagingen waarbij de grens zelf onderdeel is van de te vinden oplossing. Dit is een veelvoorkomend probleem in de natuurkunde en techniek, maar het is een hardnekkige hindernis geweest in de financiële wereld. Het succes van dit "mixture-of-solutions"-framework suggereert dat soortgelijke benaderingen kunnen worden aangepast voor andere complexe prijsmodellen die betrokken zijn bij meerdere bronnen van onzekerheid. De onderzoekers erkennen dat hun werk een simulatiegebaseerde proof-of-concept is en zij zijn van plan hun toekomstige onderzoeken uit te breiden naar een volledig scala aan parameters en correlatiestructuren. Voor nu hebben zij een helder, flexibel en accuraat instrument geboden voor het begrijpen van het Amerikaanse dubbele Heston-model, waarmee een nieuw pad wordt geopend voor het oplossen van enkele van de meest ingewikkelde vergelijkingen in de kwantitatieve financiële wereld.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.