🤖 machine learning

Deep Operator BSDE: a Numerical Scheme to Approximate Solution Operators

本文提出并分析了一种基于神经网络的数值方案，该方案结合了维纳混沌分解与欧拉方法，用于逼近倒向随机微分方程（BSDEs）的解算子，并证明了其收敛性且展示了其准确性。

原作者： Pere Diaz-Lozano, Giulia Di Nunno

发布于 2026-07-09

📖 1 分钟阅读☕ 轻松阅读

原作者： Pere Diaz-Lozano, Giulia Di Nunno

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你是一位试图完善一道神奇汤食谱的大师级厨师。在金融世界中，这道“汤”是一个复杂的数学工具，叫做倒向随机微分方程（BSDE）。它通过从一个已知的结束日期向现在进行倒推，来预测金融产品（如期权）的未来价值。

通常情况下，如果厨师想要制作一道配料略有不同的汤（即不同的“终值条件”），他们必须从头开始：测量锅的大小、切好蔬菜并重新搅拌高汤。这就是传统计算方法的工作方式。它们为一种特定的场景求解，如果你想知道另一个场景下的答案，就必须重新运行整个昂贵的计算过程。

核心理念：“万能汤锅”
本文作者 Pere Diaz Lozano 和 Giulia Di Nunno 提出了一个大胆的问题：如果我们能制造一台能够学习“食谱本身”，而不仅仅是烹饪某一道特定汤品的机器，情况会怎样？

他们提出了一种名为 Deep Operator BSDE 的新方法。该方法不再是求解一个特定的结果，而是学习解算子（Solution Operator）。你可以把它想象成一个“万能汤锅”——它可以瞬间告诉你，当你投入任何种类的配料时，汤的味道会如何变化，而无需重新开始烹饪过程。

他们是如何制造这台机器的
为了实现这一点，他们使用了两个主要原料：

维纳混沌分解（Wiener Chaos Decomposition）： 想象这些“配料”（随机的未来事件）是一大堆乱七八糟的乐高积木。这个数学技巧将这堆混乱的积木分解成整齐有序的特定形状堆栈（称为埃尔米特多项式/Hermite polynomials）。它将一个混沌的、无限的问题转化为了一个计算机可以处理的结构化问题。
神经网络： 这些是“聪明的厨师”。一旦配料被整理好，它们就会利用人工智能（神经网络）来学习配料与最终味道之间的关系。

“欧拉”逐步拆解法
该方法的工作原理就像一场在时间倒流中进行的“传声筒”游戏。他们将时间段（例如一年）分解成许多小步。在每一步，计算机都会根据当前状态和市场的“噪声”（通过布朗运动模型化）来猜测下一步的动作。他们从数学上证明了，只要时间步长足够小，这个倒向的游戏最终一定会得到正确答案。

他们排除了什么
需要注意的是，本文并不是在做以下事情：

它不仅仅是另一种提高单个方程求解速度的方法。作者明确反对那种认为每一种新金融产品都需要从头运行算法的观点。他们的设计旨在同时处理一整族不同的产品。
他们并不声称这适用于所有可能的数学场景且没有限制。他们承认，如果“配料”（终值条件）过于狂野或复杂，计算机可能会感到吃力。

他们有多大的把握？
作者对数学逻辑非常有信心。他们已经证明了在非常温和的假设条件下，他们的方法是收敛的（这意味着它会越来越接近正确答案）。他们还推导出了一个特定的“收敛速率”，这是一种数学保证，说明随着时间步长变小，误差是如何缩减的。

然而，在实际应用到现实世界数据时，他们依赖的是模拟实验。他们并非凭空猜测，而是构建了算法并在计算机上进行了测试。

结果：味觉测试
他们用 22 种不同类型的金融期权（如看涨期权、看跌期权和亚洲期权）在标准市场环境下测试了他们的“万能汤锅”，随后又在更复杂的双资产市场中测试了 28 种不同类型的期权。

得分： 在第一项测试中，价格预测（ $Y$ ）的误差极小，对于看涨期权而言约为 3.85 ± 1.05（以 $10^{-3}$ 为比例）；对于“对冲”部分（ $Z$ ，类似于汤对温度变化的敏感度），误差约为 1.27 ± 0.70（以 $10^{-2}$ 为比例）。
对比： 他们将“万能汤锅”与一种传统的逐个求解每个食谱的算法（蒙特卡洛模拟）进行了对比。他们的算法能够一次性学习整个期权图景。虽然误差并非为零，但具有竞争力，尤其是考虑到无需从头开始重新计算所带来的巨大优势。
局限： 作者警告说，随着“配料”（维度）数量的增加，计算机会被压垮。这就是“维度灾难”。如果你试图学习一道包含太多不同种类香料的汤，神经网络将需要数百万个参数和大量的计算能力才能做得精准。

总结
本文证明了训练单个 AI 模型来理解整个金融衍生品“食谱集”，而不仅仅是单道菜肴是可行的。他们证明了数学上的可行性，且模拟实验显示其在多种不同类型的期权中表现良好。这是迈向未来的一步——在那样的未来，金融风险计算器不仅能给你一个单一的数字，还能瞬间理解整个可能性家族。

技术摘要：Deep Operator BSDE：一种用于近似解算子的数值方案

问题陈述
本文研究了倒向随机微分方程（BSDE）解算子的数值近似问题。虽然在近似针对固定终端条件 $\xi$ 的 BSDE 解 $(Y, Z)$ 方面已有大量文献，但现有方法在 $\xi$ 发生变化时通常需要重新执行算法。作者旨在近似算子本身：
$\xi \mapsto (Y^\xi_t, Z^\xi_t)_{t \in [0,T]}$
其中 $(Y^\xi, Z^\xi)$ 是以 $\xi$ 为终端条件的 BSDE 的解。这一目标受到动态风险度量和 $g$ -条件期望应用的启发，因为在这些应用中，需要针对一系列终端条件评估解，而非仅针对单个实例。其挑战在于处理终端条件空间 $L^2(\mathcal{F}_T)$ 的无限维特性，以及在高维情况下计算条件期望的计算困难。

方法论
所提出的框架被称为 Deep Operator BSDE，它结合了三个主要要素：

维纳混沌分解（Wiener Chaos Decomposition）： 终端条件 $\xi \in L^2(\mathcal{F}_T)$ 使用 $L^2([0,T]; \mathbb{R}^d)$ 的正交基和埃尔米特多项式进行分解。这使得 $\xi$ 可以表示为与基函数 $\Phi_a$ 相关联的系数 $d_a$ 的级数。
无限维 FBSDE 表示： 作者证明，具有一般终端条件 $\xi$ 的 BSDE 解可以被视为一个前向-倒向随机微分方程（FBSDE）系统的解，其中前向过程 $X_t$ 是无限维的。具体而言， $X_t$ 满足一个由混沌基驱动的线性 SDE，且倒向方程的终端条件是 $X_T$ 的线性泛函。
马尔可夫表示与算子欧拉方案（Operator Euler Scheme）：
- 马尔可夫性质： 作者证明了解算子 $Y_t(\xi)$ 和 $Z_t(\xi)$ 具有形式为 $u(t, X_t, \xi)$ 和 $v(t, X_t, \xi)$ 的马尔可夫表示，其中 $u$ 和 $v$ 是联合可测映射。
- 算子欧拉方案： 推导出了一个递归数值方案，类似于经典的 BSDE 后向欧拉方案。然而，该方案不是在每个时间步计算随机变量，而是计算算子（函数） $Y^\pi_i$ 和 $Z^\pi_i$ ，这些算子将当前状态的无限维过程和终端条件映射到解。
- 有限维近似： 为了使计算问题在计算上可行，作者将无限维混沌展开截断为有限阶 $p$ 和有限基规模 $M$ 。这使得问题转化为近似有限维映射的问题。
- 神经网络实现： 由于截断后的混沌空间的高维性（“维度诅咒”），作者采用神经网络来近似可测映射 $u$ 和 $v$ 。训练目标是在由截断混沌系数定义的紧集上最小化 BSDE 残差的最小二乘法。

核心贡献

首个算子近似方案： 本文提出了据称是第一个专门用于近似 BSDE 解算子（而非针对固定终端条件的解）的数值方案。
理论收敛性： 在生成器满足非常温和的假设（生成器的一致 Lipschitz 连续性）下，作者证明了算子欧拉方案向真实解算子的收敛性。他们提供了关于时间步长 $|\pi|$ 和解分量正则性 $R_Y, R_Z$ 的收敛速率。
联合可测性： 一个重要的理论贡献是证明了解算子可以表示为时间、无限维状态和终端条件 $\xi$ 的联合可测函数。这证明了使用单一学习框架处理变化 $\xi$ 的合理性。
误差界限： 作者建立了有限维截断的误差界限，表明近似误差取决于 $\xi$ 的维纳混沌展开的尾部。

结果
该方法在两个数值示例上进行了实现和测试：

线性生成器（1D）： 在 Black-Scholes 模型设置下，对 22 种不同的期权家族（包括欧式、障碍、亚式和回看期权）进行定价和对冲。Deep Operator BSDE 在高维系数集上进行训练，并在特定家族上进行评估。结果显示， $Y_0$ （价格）的平均相对误差通常低于 $0.5\%$ ，而 $Z_0$ （对冲）的平均相对误差通常低于 $2\%$ ，与基准蒙特卡洛方法相当。
非线性生成器（2D）： 在具有不同借贷利率（非线性生成器）的二维 Black-Scholes 模型中进行定价。该方法在 28 个期权家族上进行了测试。结果表明，该方法能够在单一统一框架内处理结构性不同的终端条件（例如篮子期权、价差期权、最大/最小期权）。

意义与主张
论文声称，这项工作的核心意义在于其基于算子的视角。与现有的学习特定参数向量或固定终端条件解的参数化方法不同，该方法学习从整个终端条件空间到解的映射。

统一框架： 作者指出，该方法允许在单个训练过程中近似“多个终端条件家族”（例如，同时处理路径依赖型和状态依赖型收益）的解。
通用性： 通过直接使用 BSDE 形式和维纳混沌，该方法处理的终端条件类别比马尔可夫 FBSDE 方法更广，后者依赖于终端条件为前向扩散过程最终值的函数。
局限性： 作者谦虚地承认，“维度诅咒”是一个关键限制。神经网络输入的维度随混沌阶数 $p$ 和基规模 $M$ 的增加而迅速增长，使得优化具有挑战性且在极高维设置下计算成本高昂。他们并不声称解决了维度诅咒，而是提供了一个通过神经网络管理中等维度问题的框架。

论文总结道，虽然由于需要泛化能力，该方法在某些特定实例上可能无法完全匹配基准方法，但它成功证明了学习 BSDE 解算子的可行性，并为需要跨多样化终端条件进行评估的问题提供了独特的优势。

类似论文