💰 quantitative finance

The Compound BSDE Method: A Fully Forward Method for Option Pricing and Optimal Stopping Problems in Finance

本文介绍了复合 BSDE 方法，这是一种全前向深度学习算法，它将期权定价和最优停止问题重新表述为倒向随机微分方程组，以实现对高维金融问题的精确且高效的求解。

原作者： Zhipeng Huang, Cornelis W. Oosterlee

发布于 2026-02-02

📖 1 分钟阅读☕ 轻松阅读

原作者： Zhipeng Huang, Cornelis W. Oosterlee

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，你正在试图为一份非常复杂的金融合约定价，比如一个赋予你购买另一个期权的权利，而后者又赋予你购买第三个期权的权利的期权。或者想象一个美式期权，你可以选择在 50 个不同的日期中的任何一个时间行权。传统上，解决这些问题就像是试图通过从出口开始向入口倒退的方式来走出迷宫。这非常困难，尤其是当迷宫有数百个维度（许多变量同时变化）时。

这篇论文介绍了一种解决这些问题的新方法，称为 复合 BSDE 方法 (Compound BSDE Method)。这种方法不再是通过向后倒退的方式走过迷宫，而是通过向前推进，利用一个智能计算机程序（神经网络）在前进的过程中学习路径。

以下是其工作原理的拆解，通过简单的概念进行说明：

1. 问题所在：“俄罗斯套娃”式的期权

把 复合期权 (Compound Option) 想象成一套俄罗斯套娃。

外层的娃娃 是你正在观察的主期权。
在它里面是 内层的娃娃，即另一个期权。
为了知道今天外层娃娃的价值，你需要知道未来某个日期内层娃娃的价值。但为了知道那个内层娃娃的价值，你可能还需要知道它内部的 第三个 娃娃的价值。

传统上，金融数学试图通过从终点开始（打开最后一个娃娃时）并一步步向今天倒退计算来解决这个问题。当娃娃很多或变量很多时，这个过程会变得混乱且缓慢。

2. 解决方案：“前进列车”

作者提出的方法将整个期权链视为一个单一的、随时间 向前推进 的连接系统。

想象一列火车有几个车厢（代表期权的不同时间段）。

引擎（前向过程）： 火车沿着轨道向前行驶，模拟股票价格或资产价值如何逐日变化。这就是“前向”的部分。
耦合（复合条件）： 在特定的站点（日期），车厢被连接在一起。到达 A 站点的车厢价值必须与离开 B 站点的车厢价值相匹配，并根据合约规则进行调整（例如支付行权价或决定是否行权）。
智能司机（神经网络）： 该方法不是手动计算每一节车厢的价值，而是由一个计算机程序（神经网络）充当司机。它猜测车厢在初始时的价值。随着火车的向前移动，司机检查车厢之间的连接是否紧密。如果站点处的数值不符合规则，司机就会调整其猜测并再次尝试。

3. 它如何学习：“集体拥抱”

在旧的方法中，你可能会尝试一次修复一节车厢，并向后倒退。这种新方法使用了一种 复合 BSDE（倒向随机微分方程）。

这就像一群朋友试图就一个故事达成共识。

朋友 A（时间 1）需要讲述一个能与朋友 B（时间 2）完美衔接的故事。
朋友 B 需要连接到朋友 C（时间 3）。
朋友 C 在最后讲述最终的故事。

与其要求朋友 C 先讲故事，然后再向回推导给朋友 A，复合 BSDE 方法 要求每个人在向前推进的同时，同时讲述他们各自的部分。他们不断调整自己的故事，直到它们之间的连接变得完美。计算机通过最小化这些连接中的“错误”，直到整个故事从头到尾都能逻辑自洽。

4. 它的特别之处

它是完全前向的： 不同于其他需要向后看（这在处理高维数据时很难）的方法，这种方法模拟了所有的前向过程，这对于计算机来说更快、更容易处理。
它能处理复杂性： 它在“高维”问题上表现出色。想象一个包含 50 种不同水果（股票）而不是仅仅一个苹果的篮子。传统方法在处理 50 个变量时会感到吃力，但这种“前进列车”法可以轻松应对。
它很精确： 作者在数学上证明了，随着你减小时间步长（增加火车停靠站点的数量），答案会越来越接近真实值。他们在各种“嵌套娃娃”期权和“提前行权”期权（即你可以随时兑现的期权）上进行了测试，结果非常准确。

总结

这篇论文提出了一种全新的、“完全前向”的复杂金融期权定价方法。它不再是通过从终点开始向后倒退来解开谜题，而是通过模拟未来的前向演进，并利用智能计算机程序来确保所有不同的阶段（即“复合”部分）能够完美契合。这就像是在训练一个团队向前同步行走，而不是试图倒着排队行进。这使得对以往难以精确计算的极其复杂的、多步骤的金融合约进行定价成为可能。

技术摘要：复合 BSDE 方法

问题陈述

金融数学在为具有复杂收益结构、早期行权特征（如美式和伯穆德尔期权）以及高维标的动态的衍生品定价方面面临重大挑战。虽然传统的数学方法（如 PDE、傅里叶技术和蒙特卡洛回归）已经存在，但它们往往难以应对“维度灾难”或反向归纳的计算复杂度。

倒向随机微分方程（BSDEs）通过 Feynman–Kac 表示法，为这些问题提供了一个灵活的框架。然而，现有的基于深度学习的 BSDE 方法（例如 Deep BSDE 方法）主要设计用于单个 BSDE。虽然最近的一些变体试图解决最优停止问题（例如伯穆德尔期权），通过最小化初始值的方差来处理，但这些方法通常依赖于反向模拟，或者缺乏成熟的收敛保证。核心问题在于需要一种**全前向（fully forward）**的、基于深度学习的数值方法，能够求解耦合的 BSDE 系统，从而自然地模拟多阶段收益和最优停止，而无需进行反向归纳。

方法论：复合 BSDE 方法

本文提出了复合 BSDE 方法，将期权定价和最优停止问题重新表述为一个耦合的倒向随机微分方程系统。

1. 复合 BSDE 公式化

该方法引入了一个定义在过滤概率空间上的 $M$ 阶复合 BSDE，其时间间隔为 $0 = T_0 < T_1 < \dots < T_M = T$ 。该系统由以下部分组成：

一个用于底层资产 $X_t$ 的单一正向 SDE。
$M$ 个定义在连续区间 $[T_{j-1}, T_j]$ 上的倒向方程。
耦合条件： 方程在中间时刻 $T_j$ 通过复合函数 $g_j$ 进行链接。具体而言， $j$ 阶倒向方程的终端条件取决于第 $j+1$ 个方程在 $T_j$ 时刻的解：
$Y_{j, T_j} = g_j(X_{T_j}, Y_{j+1, T_j})$
最后一个方程（ $j=M$ ）以标准的条件 $g_M(X_T)$ 终止。

这种结构允许表示复杂的金融产品，其中中间时刻的价值取决于后续期权的值或行权决策。

2. 数值算法

所提出的算法是一个全前向方法。与传统的通过向前模拟路径并向后优化的反向方案不同，该方法：

在正向时间方向上同时模拟正向 SDE 和所有 $M$ 个倒向方程。
使用神经网络对初始值 $\{Y_{j, T_{j-1}}\}$ 和过程 $\{Z_{j, t_i}\}$ 进行参数化。
最小化一个联合目标泛函，以强制执行终端条件和中间复合条件：
$\mathcal{L} = \sum_{j=1}^{M-1} \mathbb{E}\|g_j(X^\pi_{T_j}, Y^\pi_{j+1, T_j}) - Y^\pi_{j, T_j}\|^2 + \mathbb{E}\|g_M(X^\pi_{T_M}) - Y^\pi_{M, T_M}\|^2$
神经网络通过训练来最小化该损失，从而有效地学习整个耦合系统的解。

3. 理论基础

本文在标准的 Lipschitz 和正则性假设下，确立了复合 BSDE 的适定性。关键理论结果包括：

存在性与唯一性： 该系统存在唯一的适应过程解，对应于一个半线性 PDE 系统的粘性解。
收敛性分析： 基于标准 Deep BSDE 方法的后验误差估计，作者推导出了复合 BSDE 方法的后验误差估计。总误差由时间步长 $h$ 和训练损失（目标泛函的值）界定。这证明了如果神经网络成功最小化了损失，则数值解将收敛于真实解。

核心贡献

新公式化： 引入了复合 BSDE，这是一种新的数学公式化方法，将多阶段衍生品（如复合期权）的定价和离散时间最优停止问题统一在一个框架之下。
全前向算法： 开发了一种天然是全前向的数值算法。它避免了许多现有处理早期行权期权的方法中所需的反向归纳步骤，从而允许同时学习所有阶段。
收敛保证： 建立了所提方法的严格收敛性质和后验误差估计，填补了文献中关于深度学习方法在伯穆德尔期权中收敛性尚未得到充分建立的空白。
统一框架： 通过简单调整复合函数 $g_j$ ，证明了该方法可以处理从简单复合期权到高维伯穆德尔篮子期权等多种不同的金融问题。

数值结果

作者通过广泛的数值实验验证了该方法：

普通复合期权 ( $M=2$ )： 该方法准确定价了看涨期权之上的看涨期权（call-on-call）、看涨期权之上的看跌期权（call-on-put）、看跌期权之上的看涨期权（put-on-call）以及看跌期权之上的看跌期权（put-on-put），其相对均方误差（reMSE）低至 $10^{-7}$ 。结果证实了其相对于时间步长的一阶收敛性。
$M$ 阶复合期权： 该方法在 $M \in \{2, 3, 4, 5\}$ 时表现出良好的扩展性，随着复合阶段数量的增加，仍能保持准确性和稳定性。
高维伯穆德尔期权： 该方法被应用于维度高达 $d_1 = 50$ 的伯穆德尔几何篮子看跌期权。结果表明，该方法在高维设置下能够实现准确的定价和对冲（Delta），且误差随维度增加保持稳定。其收敛行为与论文中推导的理论误差界限一致。

意义与主张

本文声称，复合 BSDE 方法为多阶段衍生品和离散时间最优停止问题提供了一个统一的数值框架。其主要意义在于：

克服反向限制： 由于其是全前向方法，它规避了反向模拟的需求，而反向模拟在处理高维最优停止问题时通常计算成本极高或难以实现。
理论严谨性： 它提供了一种具有证明收敛性的数学基础方法，区别于某些针对早期行权期权的启发式深度学习方法。
灵活性： 该方法通过选择不同的 $g_j$ ，能够处理高维问题和复杂收益结构，使其成为现代金融工程中一种多功能的工具。

作者总结道，虽然该方法目前受限于系数的 Lipschitz 假设，但它为解决复杂定价问题的正向深度学习求解器提供了一条灵活且具有理论依据的路径。未来的工作可能涉及放宽这些假设并引入方差缩减技术。