[논문 리뷰] A Review of Tree-based Approaches to solve Forward-Backward Stochastic Differential Equations

Long Teng|arXiv (Cornell University)|2018. 09. 02.

Stochastic processes and financial applications참고 문헌 35인용 수 6

한 줄 요약

이 논문은 시간 적분항을 처리하기 위해 θ-이산화를 사용하고 조건부 기대값을 효율적으로 근사하기 위해 회귀 트리를 활용하는 고차원 정방형 후방 확률 미분 방정식(FBSDEs)을 해결하기 위한 회귀 트리 기반 수치적 방법을 제안한다. 이 방법은 높은 정확도와 계산 효율성을 달성하여 기준 100차원 가격 설정 문제에서 다중 수준 몬테카를로 및 딥러닝 방법을 능가하며 낮은 상대 오차와 표준편차를 기록한다.

ABSTRACT

In this work, we study solving (decoupled) forward-backward stochastic differential equations (FBSDEs) numerically using the regression trees. Based on the general theta-discretization for the time-integrands, we show how to efficiently use regression tree-based methods to solve the resulting conditional expectations. Several numerical experiments including high-dimensional problems are provided to demonstrate the accuracy and performance of the tree-based approach. For the applicability of FBSDEs in financial problems, we apply our tree-based approach to the Heston stochastic volatility model, the high-dimensional pricing problems of a Rainbow option and an European financial derivative with different interest rates for borrowing and lending.

연구 동기 및 목표

• 기존 방법이 어려움을 겪는 고차원 설정에서 특히 효과적인 정방형 후방 확률 미분 방정식(FBSDEs)을 해결하기 위한 효율적인 수치적 방법을 개발하는 것.
• 수치적 알고리즘에서 핵심적인 제약 요소인 FBSDEs 내 조건부 기대값 추정의 계산적 과제를 해결하는 것.
• 고차원 금융 파생상품 가격 설정 문제에 대해 트리 기반 회귀의 적용성과 정확도를 입증하는 것.
• 정확도, 런타임, 수렴성 측면에서 기존 최첨단 방법(다중 수준 몬테카를로 및 딥러닝 포함)과 제안된 방법을 비교하는 것.

제안 방법

• FBSDEs의 시간 적분항에 일반적인 θ-이산화 기법을 적용하여 시간 적분의 탄력성과 안정성을 확보한다.
• 이산화 과정에서 발생하는 조건부 기대값은 상태 공간을 적응적으로 분할하여 복잡한 의존성을 모델링하는 데 사용되는 회귀 트리를 활용해 근사한다.
• 이 방법은 정방형 FBSDEs와 후방 SDEs의 특수 케이스에 모두 적용되며, 옵션 가격 설정과 같은 금융 응용에 중점을 둔다.
• 특히 고차원 문제에서 통계적 안정성을 향상시키기 위해 샘플 분할 기법을 사용한 몬테카를로 샘플링을 알고리즘에 통합한다.
• θ 값(예: 0, 0.5, 1)을 다양하게 설정하여 그 영향이 수렴성과 안정성에 미치는 영향을 분석한다.
• 일부 경우에서 Z-성분의 직접 계산을 피하기 위해 θ=1로 설정함으로써 고차원에서 반복 과정을 단순화한다.

실험 결과

연구 질문

• RQ1 θ-이산화에서 유도된 FBSDEs의 조건부 기대값을 회귀 트리가 효과적으로 근사할 수 있는가?
• RQ2 고차원 FBSDEs를 해결하는 데 있어 트리 기반 접근법이 다중 수준 몬테카를로 및 딥러닝과 비교해 어떻게 성능을 내는가?
• RQ3 다양한 θ 값에서 트리 기반 방법의 수렴 특성과 계산 효율성은 어떠한가?
• RQ4 스토캐스틱 볼라티리티 또는 다른 빌로우/레인딩 금리가 있는 100차원 비선형 가격 설정 문제에서 높은 정확도를 달성할 수 있는가?
• RQ5 레인보 옵션과 같은 복잡한 금융 파생상품에 적용했을 때, 이 방법이 낮은 분산과 강건성을 유지할 수 있는가?

주요 결과

• 100차원 비선형 가격 설정 문제에서, 트리 기반 방법은 M=200,000개의 샘플과 N_T=10개의 시간 단계를 사용하여 상대 오차 0.0020을 달성했으며, 6번의 피카르 반복을 수행한 다중 수준 몬테카를로보다 정확도와 런타임 모두에서 뛰어난 성능을 보였다.
• M=200,000일 때 100D 문제의 표준편차는 0.0199로 나타나 낮은 분산과 높은 안정성을 보였다.
• M=200,000과 N_T=10일 때 평균 런타임은 464.9초였으며, 유사한 정확도를 확보한 다중 수준 몬테카를로(7회 반복)의 1915.1초보다 빠르게 작동했다.
• M=300,000일 때 트리 기반 접근법은 100D 문제에서 상대 오차 0.0017을 기록하여 샘플 수 증가에 따라 수렴하는 것을 입증했다.
• 다른 이자율이 있는 1D 문제에서, M=100,000일 때 상대 오차는 0.0013이었으며, 높은 정밀도와 낮은 분산을 보였다.
• 100D 문제에서 런타임 947.7초 대비 딥러닝 기반 접근법(566초)보다 빠르게 작동했으며, 정확도는 유사하거나 더 뛰어났다.