[論文レビュー] The Nystr\\"om method for functional quantization with an application to the fractional Brownian motion

Sylvain Corlay|arXiv (Cornell University)|Sep 7, 2010

Stochastic processes and financial applications参考文献 21被引用数 6

ひとこと要約

本稿では、ガウス過程の最適関数的量子化器を計算するために、分数ブラウン運動（fBm）のカーラウンネン＝ロイケ分解を用いて、ニストローム法を適用している。この手法により、fBmのパスの精度の高い近似が可能となり、関数的ストラティフィケーションと組み合わせることで、モンテカルロシミュレーションの分散を顕著に低減でき、標準モンテカルロと比較して最大5倍の分散低減が達成された。

ABSTRACT

In this article, the so-called "Nystr\\"om method" is tested to compute optimal quantizers of Gaussian processes. In particular, we derive the optimal quantization of the fractional Brownian motion by approximating the first terms of its Karhunen-Lo\\`eve decomposition. A numerical test of the "functional stratification" variance reduction algorithm is performed with the fractional Brownian motion.

研究の動機と目的

• ガウス過程、特に分数ブラウン運動の最適量子化器を効率的に計算するための数値的手法を開発すること。
• 関数的量子化に生じる積分方程式の解法として、ニストローム法の有効性を検証すること。
• ストラティフィケーション技術を用いて、最適量子化をモンテカルロシミュレーションの分散低減に応用すること。
• fBmのパスおよびオプションプライシング問題に対する、提案手法の精度と効率をベンチマークすること。

提案手法

• 分数ブラウン運動の共分散作用素の固有関数を数値的に解くために、ニストローム法が用いられている。
• カーラウンネン＝ロイケ分解が有限の順序で切り捨てられ、最初の固有関数が一様グリッドを用いたニストローム法で近似されている。
• 最初の m 個の固有関数とそれに対応する正規乱数変数の積量子化を組み合わせることで、最適量子化器が構築されている。
• 量子化に基づくストラタを用いた関数的ストラティフィケーションが実施され、最適、準最適、リプシッツ最適な重み配分により分散低減が達成されている。
• fBmパスのモンテカルロシミュレーションおよびオプションプライシングを通じて、理論的ベンチマークと比較して手法の妥当性が検証されている。
• 量子化次元と誤差率は漸近的に分析され、fBm共分散作用素の固有値の減衰から収束率が導出されている。

実験結果

リサーチクエスチョン

• RQ1 ニストローム法は、分数ブラウン運動のカーラウンネン＝ロイケ分解の固有関数を効果的に近似できるか？
• RQ2 fBmにおける関数的量子化誤差は、量子化点数の増加に伴いどのようにスケーリングされるか？
• RQ3 fBm下でのパス依存的オプションのモンテカルロ推定量において、量子化に基づくストラティフィケーションは分散をどの程度低減できるか？
• RQ4 fBmシミュレーションにおけるストラティフィケーションサンプリングにおいて、最適な重み配分と準最適な配分の性能差は何か？
• RQ5 ニストロームで近似された量子化器を用いた場合、fBmの再構築共分散構造はどの程度正確か？

主な発見

• ニストローム法は、理論的値と95%信頼区間内で一致する再構築共分散行列により、分数ブラウン運動のカーラウンネン＝ロイケ分解固有関数を高い精度で近似できた。
• H=0.7の場合、10^7本のシミュレートパスから推定された共分散行列は、理論的値が95%信頼区間内に収容されており、パス再構築の品質が妥当であることが裏付けられた。
• 関数的ストラティフィケーション法により、標準モンテカルロと比較して分散が最大5倍まで低減された。最適重み配分が最も低い分散（123.54 vs. 600.57）を達成した。
• リプシッツ最適重み配分は準最適ルールを上回り、推定された最適重みが最良の分散低減を達成した。これは、最適配分の理論的優位性を確認するものであった。
• 本手法は理論的予測と整合する量子化誤差率を達成しており、e_N(X) ~ C (log N)^(-(b-1)/2) と表され、fBmでは b=2H+1 となる。これは漸近的収束率が正当化されることを示した。
• 本手法によるfBmの最適量子化は、パス依存的オプション（例：アップイン・コール・オプション）の正確かつ効率的なプライシングを可能にし、シミュレーションにおける顕著な分散低減を実現した。