Symbol-based residual certification of reduced and neural surrogates for tempered-fractional CGMY pricing
Pubblicata su AIChronos il · fonte del · Davood Damircheli
Il documento certifica approssimazioni ridotte e neurali dei prezzi delle opzioni europee Put nel modello Carr-Geman-Madan-Yor utilizzando limiti di residuo per la discretizzazione spliniana. Sfrutta una rappresentazione simbolica esplicita della matrice di Galerkin basata su trasformate di Fourier periodizzate, garantendo accuratezza fino a $10^{-8}$ senza stime spettrali numeriche costose. La metodologia permette di certificare modelli ridotti (POD-Galerkin) con un costo computazionale indipendente dalla dimensione del sistema e una efficienza superiore rispetto alle risoluzioni dirette.
- Sostituzione delle stime spettrali numeriche con limiti parametrici espliciti derivati da argomenti di Lévy-Khintchine per garantire rigore matematico.
- Utilizzo di norme a banda costruite dai simboli di massa e rigidità per ottenere certificazioni rigorose in tempo lineare $O(N)$.
- Interpolazione empirica del simbolo che rende l'operatore affine con circa 36 termini, permettendo una certificazione indipendente da N.
- I modelli neurali ridotti falliscono nel rispettare la tolleranza di un centesimo (fattore >46), errore rilevato e spiegato dal certificato in pochi millisecondi come compromesso tra fluidità temporale e accuratezza dei coefficienti.
- Il modello POD-Galerkin certificato risolve il 99.8% delle query senza accedere allo spazio completo, riducendo i costi del calcolo a circa il 3% rispetto alla soluzione diretta.
Perché conta. Sebbene focalizzato su finanza quantitativa, questo approccio illustra un paradigma cruciale per lo sviluppo di AI locale e agenti autonomi: la certificazione formale dei limiti degli approssimatori (come i modelli ridotti o le reti neurali) è essenziale per garantire sicurezza e affidabilità quando si opera con vincoli stringenti.
Scheda generata automaticamente da un modello AI locale a partire dalla fonte originale: può contenere imprecisioni.