[論文レビュー] Adjoints and Automatic (Algorithmic) Differentiation in Computational Finance

Cristian Homescu|arXiv (Cornell University)|Jul 10, 2011

Stochastic processes and financial applications被引用数 5

ひとこと要約

本稿では、計算ファイナンスにおける金融デリバティブの感応度（ギャッジ）の計算およびモデルのキャリブレーションに、随伴法（adjoint）および自動微分（AD）が、非常に効率的かつ高精度な手法であることを提示している。ADの逆モードを活用することで、差分法と比較して計算コストを桁違いに削減し、入力次元に依存しないマシン精度の導関数を達成する。これにより、複雑なデリバティブフレームワークにおけるリアルタイムリスク管理およびキャリブレーションが可能になる。

ABSTRACT

Two of the most important areas in computational finance: Greeks and, respectively, calibration, are based on efficient and accurate computation of a large number of sensitivities. This paper gives an overview of adjoint and automatic differentiation (AD), also known as algorithmic differentiation, techniques to calculate these sensitivities. When compared to finite difference approximation, this approach can potentially reduce the computational cost by several orders of magnitude, with sensitivities accurate up to machine precision. Examples and a literature survey are also provided.

研究の動機と目的

• 多数の金融デリバティブ感応度（ギャッジ）およびキャリブレーションパラメータの計算における計算ボトル neck を解消すること。
• 随伴法および自動微分（AD）が、差分法と比較して体系的で正確かつ効率的な代替手法であることを示すこと。
• ADが既存の定量的ライブラリおよび本番システムにシームレスに統合可能であり、リアルタイムリスク管理に応用できることを示すこと。
• モンテカルロシミュレーション、偏微分方程式ソルバ、最適化／キャリブレーションワークフローへのADの実装を実用的フレームワークとして提供すること。
• ADが、数百ものリスク要因およびアービッジ制約を含む複雑な金融モデルに対し、スケーラブルかつ頑健なソリューションであることを確立すること。

提案手法

• 離散的随伴法（いわゆる「離散化してから微分する」アプローチ）を用い、離散化された金融モデルから体系的に随伴方程式を導出する。
• 自動微分の逆モード（随伴モード）を適用し、1回のバックワードパスでモデル出力の入力パラメータに関する勾配を計算する。
• 各計算コンponent（例：補間、キャリブレーション、価格設定）を「計算機」として扱い、それに対応する「アロケータ関数」を用いて感応度を後退的に伝搬するブロックアーキテクチャを採用する。
• TAPENADE、ADOL-C、FAD などのADツールを活用し、ソースコードから自動的に導関数コードを生成することで、開発時間の短縮とエラーのリスク低減を実現する。
• チェックポイント技術およびメモリ管理手法を導入し、大規模なモンテカルロシミュレーションの処理を可能にし、ストレージのオーバーヘッドを低減する。
• 数値積分、根の探索、特徴関数に基づく価格設定（例：Hestonモデル）などの複雑な数値的手法に対してもADを適用し、高い正確性とパフォーマンスを確保する。

実験結果

リサーチクエスチョン

• RQ1 随伴法および自動微分（AD）は、差分法と比較してギャッジ計算における計算コストをどのように低減できるか？
• RQ2 高次元感応度解析における逆モードADの理論的および実用的パフォーマンス向上はどの程度か？
• RQ3 ADはローカルボラティリティモデルやストキャスティックボラティリティモデルといった複雑な金融モデルに対しても効果的に適用可能か？また、正確性はどのように維持されるか？
• RQ4 ADは本番レベルの定量的ライブラリにどのように統合可能か？リアルタイムリスク管理およびキャリブレーションに応用可能か？
• RQ5 大規模なモンテカルロシミュレーションへのAD適用における主な実装上の課題は何か？それらはどのように緩和できるか？

主な発見

• 随伴法の計算コストは、入力パラメータの数に依存せず、単一の前向き実行コストの5倍以内に抑えられ、これにより桁違いの高速化が実現される。
• ADはマシン精度の導関数を達成し、ヒューリスティックなステップサイズの選定が不要となり、差分法に内在する切り捨て誤差を回避する。
• 17ストライク、8マaturityのボラティリティマトリクスの実世界のキャリブレーションにおいて、ADを用いてオンザフライでフィッティングを1秒未塔で達成した。
• 600以上のリスク要因を含む5年間の商品スワップポートフォリオにおいて、CVA計算を差分法の「バンプ＆リプライス」手法の100分から、ADを用いることで10秒に短縮した。
• アロケータ関数を備えたブロックアーキテクチャにより、複雑な価格計算パイプラインにおけるギャッジのモジュラーで保守可能かつスケーラブルな実装が可能になった。
• ADは数値積分および複素数演算（例：Hestonモデルにおける特徴関数を介した価格設定）に対しても成功裏に適用され、金融モデル全体にわたる広範な適用可能性が示された。