Apr, 2021

通过随机神经网络实现最优停止策略

PDF
TL;DR该研究提出了使用机器学习方法来近似解决最优停止问题的新方法，其中我们使用神经网络来逼近继续价值。这些方法适用于高维问题，可以使用简单的线性回归来优化，已获得理论保证。其中，我们的随机强化学习方法和随机循环神经网络方法在 Markovian 和非 Markovian 示例中都优于现有最先进的机器学习方法，并且这些方法还可以用于有效计算美式期权的希腊字母。
发现论文，激发创造
  • 深度最优停止

    本文提出了一种基于深度学习的方法来解决最优停止问题，该方法直接从蒙特卡罗样本中学习最优停止规则，在 Bermudan max-call 期权、可召回多障碍反向可转换债券定价以及分数布朗运动最优停止问题中均能够在高维情况下快速且准确地得到解决。

    Apr, 2018

  • 强化学习求解最优停止问题：在金融期权行权中的应用

    通过卷积神经网络和 Monte Carlo 模拟，采用数据驱动的方法解决了最优停机问题，并在金融期权问题上取得了比基于最小二乘 Monte Carlo 算法更为精确的结果。

    Jul, 2022

  • 金融工程中的最优停止深度强化学习

    本研究使用深度强化学习技术，对金融工程中的期权定价和最优期权行权问题进行了优化停止策略的评估。比较了三种主流深度强化学习算法的优化效果，结果表明 C51 算法在实际情况下有效性更高，比自然基准策略实现了 8% 的超额回报；同时，IQN 算法在理论环境下表现更好。

    May, 2021

  • 深度多任务神经网络解决一些随机最优控制问题

    本研究论文采用多任务神经网络的有效解法，通过数值实验，证明其在处理实际金融衍生品定价问题上优于现有方法。

    Jan, 2024

  • 随机控制问题的深度学习逼近

    通过蒙特卡洛采样的深度学习方法，将高维随机控制问题的时间依赖控制近似为前馈神经网络，用作控制问题的目标函数，经测试，该方法可以处理高维度问题并且具有令人满意的准确性。

    Nov, 2016

  • 贝叶斯神经网络中的随机动力系统学习与策略搜索

    本研究提出了一种基于模型的强化学习算法，它将贝叶斯神经网络与随机展开和随机优化策略相结合，并通过最小化 α- 散度来训练 BNNs 以捕获转换动态中复杂的统计模式，解决了传统方法容易失误的多模态和异方差问题，并在控制燃气轮机的真实场景中获得了有希望的结果。

    May, 2016

  • 期权定价的机器学习：对网络架构的实证研究

    本文考虑了通过监督学习来学习期权价格或隐含波动率的问题，并发现在所选择的网络体系结构方面使用广义高速公路网络的精度比其它变体高，对于计算隐含波动率，采用变换后的 DGM 架构是最优的。

    Jul, 2023

  • 基于贝叶斯神经网络的随机优化问题学习解决方案

    使用贝叶斯神经网络和随机规划技术的预测不确定性建模，以降低决策风险和提高决策质量。

    Jun, 2024

  • 深度学习的最优控制方法及其在离散权重神经网络中的应用

    本研究提出了一个基于离散时间最优控制问题的深度学习训练算法 (MSA)，通过约束权重在离散集合内来实现神经网络的训练，获得了具有竞争力表现的分类结果和非常稀疏的三值网络权重，这有助于在低内存设备上进行模型部署。

    Mar, 2018

  • 基于统计模型的主动学习

    本文回顾了如何使用最优数据选择技术来优化一些类型的机器学习算法，包括前馈神经网络、高斯混合模型和局部加权回归，并探讨了此方法如何降低训练数据量，提高模型性能。

    Mar, 1996