一种用于期权定价中分数阶偏微分方程(fractional PDEs)的优化神经网络
《Applied Mathematical Modelling》:An optimized neural network for fractional PDEs in option pricing
【字体:
大
中
小
】
时间:2026年05月05日
来源:Applied Mathematical Modelling 5.1
编辑推荐:
Indu Rani | Chandan Kumar Verma
组织:毛拉纳·阿扎德国立理工学院数学、生物信息学和计算机应用系
城市:博帕尔
国家:印度
**摘要**
现代金融市场日益复杂的特性以及利率动态中的记忆效应要求采用先进的计算方法,以便能够准确捕捉
Indu Rani | Chandan Kumar Verma
组织:毛拉纳·阿扎德国立理工学院数学、生物信息学和计算机应用系
城市:博帕尔
国家:印度
**摘要**
现代金融市场日益复杂的特性以及利率动态中的记忆效应要求采用先进的计算方法,以便能够准确捕捉期权定价模型中的分数行为。因此,我们提出了一种新型的分数梯度正则化物理信息神经网络,并通过基于门控循环单元的时间编码器对其进行增强,以用于分数短利率框架下的期权定价建模。该框架将传统的梯度正则化物理信息学习方法从整数阶扩展到分数阶偏微分方程,通过将分数时间导数的Caputo-L1离散化直接纳入基于物理的损失函数中。训练过程还通过残差梯度惩罚进行进一步正则化,以确保稳定性和收敛性。时间编码器能够捕捉分数动态的长记忆行为,贝叶斯优化则选择每个分数阶的最优网络结构和训练参数。该模型被用于2因子Vasicek模型的时间分数PDE,以定价欧式期权,在这个过程中同时考虑了相关的PDE和边界条件。广泛的数值实验,包括到期时的希腊值分析、不同分数阶的期权定价以及网格比率敏感性评估,证明了该方法的稳健性和可靠性。此外,提出的框架还使用真实市场数据进行了验证,证明了其实际适用性和预测性能。该方法与网格无关,能够保持关键的财务特征,并具有扩展到其他分数利率模型和高维状态空间的巨大潜力。因此,所提出的模型为解决长记忆短利率动态下的分数金融PDE提供了稳健且可扩展的框架。
**引言**
对于具有明确指定随机过程的资产,其衍生品的定价自然随之而来。衍生品是一种合同,其价值取决于标的资产的价格路径。期权是最常见的衍生品形式之一,它赋予持有人在一定日期(到期日)或之前以固定价格(执行价格)买入或卖出资产的机会,但无义务这样做。一旦确定了标的资产的动态,就可以使用适当的无套利框架一致地对这些合同进行估值[1]、[2]。该领域的重大突破是Black和Scholes在1973年提出的Black-Scholes(B-S)模型,它提供了一个基于几何布朗运动和固定参数的成熟期权定价框架。然而,其假设可能对于现实生活场景来说过于严格。这一认识促使人们开发了短利率模型,在这些模型中,瞬时利率受其自身随机动态的影响[4]、[5]。这些模型旨在通过将短利率视为随机过程来创建完整的利率衍生品期限结构。金融市场受益于它们整合均值回归和利率波动的能力,这种校准过程通过使生成的折现债券期限结构反映当前市场条件来提高准确性和实际相关性。Rani和Verma[6]对这些框架以及其他模型进行了彻底的研究。Vasicek在1977年提出的Vasicek模型由于其分析简单性和能够产生封闭形式解而被广泛采用。该模型不对期限结构的可预测性或随机性做出任何假设,而是将短期利率描述为一个趋向于回归其均值的过程。在这个受控框架内,时间变异性和随机波动得到了容纳。
近年来,分数PDE(FPDE)在期权定价中的应用逐渐增加。它在科学和工程的各个领域得到了广泛应用。分数形式利用非整数阶导数来展示市场运动中的记忆性和持续性,这与假设由整数阶导数控制的马尔可夫动态的标准模型不同。它们结合了插值的弹性和粘性极值,因此同时涵盖了粘弹性以及具有内在记忆能力的形状记忆现象。这种非局部且对记忆敏感的理论在金融领域得到了应用,因为在金融领域长记忆和其他持久效应是非常重要的。然而,FPDE的解析解很少能够获得,尤其是时间分数和多因子环境下的期权价格封闭形式公式通常难以获得。因此,人们探索了各种近似方法来应对这些挑战。Golbabai等人[7]采用了O(Δt2?α)阶的有限差分方案来近似Caputo时间分数导数,而空间导数则使用无网格径向基函数(RBF)方法进行离散化。Dimitrov等人[8]提出了一种基于多对数方案的Caputo分数导数近似方法,以开发用于求解分数微分方程的有限差分方法。然而,这些研究的结果通常表现为包含积分或卷积元素的无限级数,这阻碍了它们的估计。这促进了适用于数学模型并能够在保持数据效率的同时遵守控制方程的数值求解器的发展。物理信息神经网络(PINNs)提供了一种有效的数据导向解决方案,解决了这些问题。它将必要的微分方程整合到神经网络损失函数中,使模型能够获得满足数据和内在限制的连续解。在我们之前的工作中[9],我们提出了一种基于GRU的增强型物理信息神经网络(G-PINNs)架构,用于标准整数阶PDE的期权定价。该模型的有效性在金融的三个关键领域得到了验证,所得结果经过统计分析,确认了该方法的稳健性和可靠性。在当前研究中,我们正在扩展这一框架,利用2因子时间分数Vasicek模型来定价欧式看跌期权。我们的研究填补了文献中的一个主要空白,因为它是首次采用PINNs进行短利率模型分数扩展的研究。由于分数系统缺乏封闭形式的解析解,所提出的结构(FG-PINNs)为准确解决这些复杂模型提供了高效、信息驱动的替代方案。
最初,为了考虑金融市场观察到的长程依赖性和记忆效应,对经典Black-Scholes方程进行了分数扩展(TFBSPDE)。为了高效准确地求解TFBSPDE以定价欧式期权,Kazmi和Kamran[10]将其转换为积分-微分形式,并采用数值积分进行时间离散化,空间离散化则采用中心差分法。根据稳定性分析,Richardson外推法通过改善非光滑初始数据的收敛性使该方法达到二阶精度。Hwang等人在[11]中开发了一种新颖的算法,可以从基于BS的期权价格重构时间依赖的连续波动率函数。该算法首先计算分段常数波动率,然后连接到期时的跳跃以确保连续性。随后,分数建模的概念被扩展到利率理论中的短利率模型。许多研究通过引入分数导数来改进经典短利率模型(包括Vasicek和Hull-White(HW)框架),以更有效地捕捉利率动态中的记忆效应。例如,Pan等人[12]提出了一个基于混合分数HW过程的期权定价模型,并通过适当的变换和分析技术获得了封闭形式的定价表达式。他们的数值结果表明,期权价格可能会受到利率长记忆特征的显著影响。Xiao等人[13]研究了一个Hurst指数为12的分数Vasicek模型,该模型表现出长程依赖性。该模型通过分数布朗运动进行传播,并使用最小二乘法分析了漂移参数估计器的渐近行为。Kharrat等人[14]对时间分数Vasicek模型实施了时间分割方法,提高了数值稳定性并允许处理混合导数项。Panumart等人[15]将传统的双因子Schwartz模型扩展为三因子框架,增加了原油期货期权的随机波动性。他们采用了Deep Galerkin方法来求解所得的定价PDE,与传统方法相比显示出更高的准确性和效率。Panumart等人[16]开发了一种混合方案,将Crank-Nicolson方法与基于双变量Morgan-Voyce多项式的谱配置方法相结合。该方法将问题简化为可以通过配置阶段迭代求解的线性方程组,并使用截断多项式展开来近似定价PIDE。
传统的数值方法(如有限差分方案)对经典PDE有效,但在处理分数导数时可能会遇到困难。作为替代方案,Raissi等人[17]引入了物理信息神经网络(PINNs),为求解PDE提供了灵活的框架。然而,标准的PINN架构并未设计为直接适应分数导数。因此,人们提出了多种PINN架构来解决FPDE。Pang等人[18]开发了分数物理信息神经网络(fPINN)框架,作为传统PINNs向FPDE的扩展。他们通过使用Grunwald-Letnikov离散化来近似非局部算子,并将相应的残差纳入损失函数。在有界域上,fPINNs是有效的,但它们无法直接处理无界区域的FPDE。这通常导致需要域截断或人工边界,可能会扭曲实际的渐近行为。Wang等人[19]证明,PINNs在应用于B-S方程时提供了与传统数值方法相当的准确性和效率。D’Uggento等人[20]使用实际市场数据比较了经典B-S模型和机器学习(ML)技术。他们的研究结果表明,ML技术在检测市场行为中的非线性模式方面更有效。Nuugulu等人[21]制定了一个用于求解TFBSPDE的PINNs框架。然而,该方法需要仔细调整超参数以保持稳定性和准确性。Song等人[22]提出了一种结合PINNs和迁移学习及数据增强层的混合框架,用于解决美式看跌期权的自由边界问题。尽管该方法有效,但需要复杂的网络设计和参数选择,这增加了计算复杂性和模型成本。de Souza Santos等人[23]提出了一种基于神经网络的方法来求解Black-Scholes方程,使用了真实世界期权数据。然而,研究中未考虑超参数调整,这可能会影响模型性能。
此外,超参数调整对于评估机器学习模型的预测性能至关重要,而贝叶斯优化(BO)在这方面表现出了有效性,因为它能够巧妙地平衡探索和利用。Aghaabbasi等人[24]利用机器学习模型(如SVM、k-NN、决策树和朴素贝叶斯)根据2017年全国家庭旅行调查的数据预测出行方式选择。他们使用BO调整模型超参数,显著提高了性能,尤其是k-NN模型。Saleh Albahli[25]使用BO和SMOTE增强了决策树模型在学生表现预测中的预测能力。Soares等人[26]使用BO自动调整用于感应电机轴承故障诊断的PSO算法的超参数。Madani等人[27]开发了一个MLP模型来预测流动模糊喷雾的Sauter平均直径。BO用于调整超参数,实现了超过97%的预测准确率。Kyoungmin和Jong[28]提出了一个基于CFD的贝叶斯优化(EBO)框架,将CFD模拟与BO结合,有效优化了Fischer-Tropsch微通道反应器的催化剂装填比。与标准BO相比,所提出的方法减少了所需的迭代次数,并实现了约5%的改进。Jayanth和Manimaran[29]提出了一种结合BO的混合模型,将DES与双注意力编码器Bi-GRU网络相结合。在GE、MSFT和AMZN股票价格中,这种组合取得了有益的结果。
金融市场复杂性的增加以及资产定价中依赖于记忆的动态的兴起,促进了先进数学模型的发展。尽管基于标准偏微分方程(PDE)的定价模型能够提供有价值的信息,但在表示异常扩散、长程依赖性和市场结构复杂性方面可能会遇到困难。与此同时,物理信息神经网络(PINNs)作为一种有效的替代方法,在解决微分方程领域的前向和逆向问题时变得越来越流行。只有少数研究使用PINNs来解决时间分数阶布莱克-舒尔斯方程(参见[21]、[22])。尽管取得了这些进展,但这些框架中的优化技术的有效性仍然是一个主要限制。此外,这些算法尚未扩展到分数阶短期利率模型,后者是对经典布莱克-舒尔斯模型的更高级和更现实的概括。因此,本研究提出了结合贝叶斯优化(BO)的FG-PINNs架构来应对这些挑战。为了解决所发现的不足,本工作提供了以下重要贡献:
- 我们提出了一种新颖的FG-PINNs,即一种分数梯度正则化、GRU增强的物理信息神经网络架构,用于在具有长期记忆的短期利率动态下进行准确和高效的期权定价,适用于两因子时间分数阶Vasicek短期利率模型。
- 将残差梯度正则化器与基于GRU的时间编码器相结合,通过平衡分数PDE中的物理约束和长期记忆动态来提高数值稳定性并加速收敛。
- 利用贝叶斯优化(BO)自动识别理想的网络设计和学习参数,从而避免手动调整并提高训练效率。
- 除了期权定价外,分析还包括评估期权希腊值和网格比率稳定性,以评估FG-PINNs模型的收敛行为和鲁棒性。
- 此外,所提出的框架使用了真实的期权市场数据进行了验证,并进行了实证分析,以考察不同分数参数值对期权市场的影响。
本文的其余部分组织如下:第2节介绍了两因子时间分数阶Vasicek模型及其相应的PDE。第3节描述了所提出的方法,包括梯度项、GRU网络和用于架构选择的贝叶斯优化。第4节展示了数值结果,包括希腊值分析、不同分数阶的稳定性、网格比率稳定性以及期权定价性能。第5节使用真实市场数据对所提出的模型进行了验证,并对长期记忆效应的影响进行了实证分析。最后,第6节总结了本文并概述了未来工作的可能方向。
**时间分数阶Vasicek PDE(TFVPDE)用于欧式看跌期权定价**
我们为基于风险中性测度的标的价格过程St的欧式看跌期权制定了定价PDE,其中短期利率rt遵循Vasicek模型,而时间演化的反向过程表现出由阶数为α∈(0, 1)的Caputo分数导数捕捉的幂律记忆。
**提出的方法**
本节概述了所提出的分数梯度正则化物理信息神经网络(FG-PINNs),该网络通过基于GRU的时间编码器进行了增强,用于两因子时间分数阶Vasicek PDE,其中门控循环单元(GRU)替代了多层感知器(MLP)以捕捉长期记忆的时间结构。Caputo导数使用L1方案离散化,空间导数通过自动微分获得,复合损失函数确保了PDE和边界约束的满足。
**数值结果**
数值实验旨在评估所提出的FG-PINNs框架在两因子时间分数阶Vasicek动态下对欧式看跌期权定价的准确性、稳定性和效率。对于每个任务,网络架构和优化器都是通过贝叶斯优化(BO)在紧凑的搜索空间中选择的,最佳配置在整个数值实验过程中保持不变。
**使用真实市场数据的实证分析**
实证分析利用了来自美国多种股票市场的期权合约的全面数据集。首先从503家大型公司的活跃交易期权中选取了一个子集作为数据收集的初始阶段。经过适当的预处理和过滤后,最终数据集包含17,593个期权合约。数据采集时间为2026年4月1日,采用的方法是...
**结论、局限性与未来工作**
本文提出了一种称为分数梯度正则化物理信息神经网络(FG-PINNs)的新结构,用于解决在长期记忆利率动态下的衍生品定价问题中出现的分数阶偏微分方程。该模型结合了多个互补组件。Caputo分数导数使用L1离散化方法进行近似,并纳入物理信息损失函数中,以确保神经网络解的准确性。
**伦理批准**
本研究未涉及任何人类参与者或动物实验;因此,不需要伦理批准。
**财务披露**
本研究未从公共、商业或非营利部门的资助机构获得任何特定资助。
**作者贡献声明**
Indu Rani:撰写 – 原始草稿、可视化、方法论、研究、形式分析、概念化。
Chandan Kumar Verma:撰写 – 审阅与编辑、验证、监督。
**利益冲突声明**
作者没有已知的可能会影响本文报告工作的财务利益或个人关系。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号