On the continuity of conditional distributions and stratification for derivative pricing
Pubblicata su AIChronos il · fonte del · Aleksandar Arandjelovic, Patrick Cheridito
Questo studio esamina la costruzione di fattori di stratificazione neurali per il pricing dei derivati in modelli a tempo continuo con allocazione proporzionale. Gli autori stabiliscono risultati sulla continuità delle aspettative e distribuzioni condizionali associate, fornendo controesempi che delineano i limiti di tale teoria della continuità. Combinando questi risultati con teoremi sull'approssimazione universale per le reti neurali, il paper dimostra l'esistenza di un teorema di approssimazione universale per fattori ammissibili di stratificazione.
- La stratificazione riduce la varianza degli stimatori nelle simulazioni Monte Carlo partizionando lo spazio campionario secondo fattori a bassa dimensionalità.
- L'efficacia della strategia dipende criticamente dalla scelta del fattore di stratificazione, che è difficile da identificare nei modelli complessi a tempo continuo.
- Le reti neurali offrono una classe flessibile per approssimare questi fattori, permettendo l'applicazione in contesti finanziari ad alta dimensionalità.
- Il lavoro fornisce risultati teorici sulla continuità delle distribuzioni condizionali e prova che le strategie di stratificazione possono essere universalmente approssimate.
- Gli esperimenti numerici su swap a scadenza costante e prodotti autocallabili mostrano come i fattori imparati superino tutti i benchmark considerati.
Perché conta. Sebbene il paper si concentri sul pricing finanziario, la sua analisi sulla continuità delle distribuzioni condizionali e sull'approssimazione universale tramite reti neurali è rilevante per chi sviluppa agenti AI o sistemi di inference locale che devono gestire spazi latenti complessi senza accesso a dati estesi.
Scheda generata automaticamente da un modello AI locale a partire dalla fonte originale: può contenere imprecisioni.