[논문 리뷰] Antithetic variates in higher dimensions

Sebastián del Baño Rollin, Joan-Andreu Lázaro-Camí|ArXiv.org|2009. 02. 24.

Matrix Theory and Algorithms참고 문헌 19인용 수 3

한 줄 요약

이 논문은 고차원 몬테카를로 시뮬레이션에서 분산 감소를 위한 새로운 방법을 제안한다. 최적의 반대변량(antithetic variates)을 사용하여, 직교행렬 A ∈ O(N)에 대해 f(ξ)와 f(Aξ)의 공분산을 최소화하는 문제로 공식화함으로써, 저온 모의 냉각(simulated annealing) 알고리즘을 개발하여 동적으로 최적의 반대변량 행렬을 추정함으로써, 고차원에서 복잡한 파생상품의 시뮬레이션 효율성을 크게 향상시킨다.

ABSTRACT

We introduce the concept of multidimensional antithetic as the absolute minimum of the covariance defined on the orthogonal group by $A\mapsto Cov(f(ξ),f(Aξ))$ where $ξ$ is a standard $N$-dimensional normal random variable and $f:\mathbb{R}^{N} o\mathbb{R}$ is an almost everywhere differentiable function. The antithetic matrix is designed to optimise the calculation of $E[f(ξ)]$ in a Monte Carlo simulation. We present an iterative annealing algorithm that dynamically incorporates the estimation of the antithetic matrix within the Monte Carlo calculation.

연구 동기 및 목표

• 고차원 금융 파생상품 가격 산정에서 표준 몬테카를로 방법의 계산 비효율성을 해결한다.
• 높은 차원에서 히وري스틱 반대변량 방법의 한계를 극복하기 위해 최적의 직교 변환을 찾는다.
• 시뮬레이션 도중 최적의 반대변량 행렬을 추정하는 동적이고 적응적인 알고리즘을 개발한다.
• 반대변량을 1차원 대칭성의 범위를 초월하여 전체 직교군 O(N)으로 일반화하는 수학적으로 엄밀한 프레임워크를 제공한다.
• 고차원 환경에서 복잡한 파생상품, 예를 들어 바스켓, 클리퀘트, 히말라야 옵션의 가격 산정을 더 빠르고 정확하게 가능하게 한다.

제안 방법

• ξ ∼ N(0, Id_N)일 때, A ∈ O(N)에 대해 공분산 함수 Cov(f(ξ), f(Aξ))를 최소화하는 방식으로 반대변량 문제를 정의한다.
• O(N)의 컴act성 덕분에 잘 정의된 문제를 확보하기 위해 최소화 문제를 E[f(ξ)f(Aξ)]로 재구성한다.
• 최적화 공간을 효과적으로 매개변수화하기 위해 리 군(so(N))에서 직교군 O(N)로의 지수사상(exponential map)을 활용한다.
• 지속적으로 현재 A 추정치를 확률적으로 변형시켜 局부 최소값에서 벗어나 전역 최소값으로 수렴하는 반복적 모의 냉각 알고리즘을 설계한다.
• 반대변량 행렬 추정을 몬테카를로 루프 내부에 통합하여 온라인 적응과 분산 감소를 가능하게 한다.
• 모의 냉각의 이론적 수렴 결과와 마팅게일 이론을 기반으로, 알고리즘이 거의 확실히 최적의 A*로 수렴함을 정당화한다.

실험 결과

연구 질문

• RQ1 주어진 지급 함수 f에 대해, f(ξ)와 f(Aξ)의 공분산을 최소화하는 최적의 직교 변환 A ∈ O(N)는 무엇인가?
• RQ2 사전에 f에 대한 지식 없이 몬테카를로 시뮬레이션 도중 최적의 반대변량 행렬을 어떻게 동적으로 추정할 수 있는가?
• RQ3 반복적 모의 냉각 알고리즘이 O(N)에서 공분산 함수의 전역 최소값으로 거의 확실히 수렴할 수 있는가?
• RQ4 고차원 환경에서 기존의 반대변량 또는 거친 몬테카를로 방법에 비해 제안된 방법이 분산을 얼마나 감소시키는가?
• RQ5 비독립적이고 종속적인 몬테카를로 샘플 환경에서 알고리즘의 수렴성과 안정성에 대해 어떤 이론적 보장을 제공할 수 있는가?

주요 결과

• 직교군 O(N)의 컴 pact성과 공분산 함수의 연속성 덕분에 최적의 반대변량 행렬 A*가 존재하고 도달 가능하다.
• Cov(f(ξ), f(Aξ))의 최소화는 E[f(ξ)f(Aξ)]의 최소화와 동치이며, 이는 잘 정의된 문제이자 전역 최소값을 가진다.
• 제안된 반복적 모의 냉각 알고리즘은 추정된 반대변량 행렬이 실제 최적의 A*로 거의 확실히 수렴함을 보장한다.
• 알고리즘은 시뮬레이션 도중에 반대변량 변환을 업데이트함으로써 분산 감소를 동적으로 통합하여 수렴 속도를 향상시킨다.
• 마팅게일 극한 정리와 경험 평균의 확률 수렴을 기반으로 이론적 수렴이 보장되어 강건성을 확보한다.
• 이 방법은 히وري스틱적인 부호 뒤집기 수법을 뛰어넘어, 임의의 차원으로 반대변량을 체계적이고 수학적으로 기반한 방식으로 일반화한다.