[논문 리뷰] Numerical methods for backward stochastic differential equations: A survey

Jared Chessari, Reiichiro Kawai외 2명|arXiv (Cornell University)|2021. 01. 22.

Stochastic processes and financial applications참고 문헌 92인용 수 4

한 줄 요약

이 종합적 서베이는 후행 확률미분방정식(BSDEs)를 위한 수치적 방법에 대한 체계적인 비교를 제공하며, 333개의 참고문헌을 후행, 전행, 딥러닝 기반 접근법으로 분류한다. 주요 가정, 수렴 성질, 실용적 트레이드오프를 평가하여 고차원 및 비선형 문제에 특히 유용한 통합 프레임워크를 제공한다.

ABSTRACT

Backward Stochastic Differential Equations (BSDEs) have been widely employed in various areas of social and natural sciences, such as the pricing and hedging of financial derivatives, stochastic optimal control problems, optimal stopping problems and gene expression. Most BSDEs cannot be solved analytically and thus numerical methods must be applied to approximate their solutions. There have been a variety of numerical methods proposed over the past few decades as well as many more currently being developed. For the most part, they exist in a complex and scattered manner with each requiring a variety of assumptions and conditions. The aim of the present work is thus to systematically survey various numerical methods for BSDEs, and in particular, compare and categorize them, for further developments and improvements. To achieve this goal, we focus primarily on the core features of each method based on an extensive collection of 333 references: the main assumptions, the numerical algorithm itself, key convergence properties and advantages and disadvantages, to provide an up-to-date coverage of numerical methods for BSDEs, with insightful summaries of each and a useful comparison and categorization.

연구 동기 및 목표

• BSDEs를 위한 수치적 방법의 산산이 흩어진 상태를 해결하기 위해 통합적이고 체계적인 서베이를 제공한다.
• 핵심 특성인 가정, 알고리즘, 수렴성, 실용적 장단점을 기반으로 기존 수치적 방법을 비교하고 분류한다.
• 비표준 BSDE 유형(예: 점프, 반사, 국소 리프시츠 조건이 아닌 경우)에 대한 연구 격차를 특정하여 향후 방법론적 발전을 지원한다.
• 딥러닝 기반 방법이 고차원 및 비선형 BSDEs 해결에 있어 혁신적인 잠재력을 지닌다는 점을 부각한다.
• 금융, 제어 이론, PDE 분야에서 BSDEs를 위한 수치적 스킴을 선택하거나 설계하는 데 기초 자료로 기능한다.

제안 방법

• 수치적 방법을 세 가지 주요 유형으로 분류한다: 후행 방법(예: 후행 오일러, 고차수 스킴), 전행 방법(예: 피카르 반복, 다중레벨 피카르), 딥러닝 기반 방법.
• 후행 방법에 핵심적인 조건 기대값 계산을 위해 최소제곱 회귀, 말리아빈 미적분, 양자화, 트리 기반, 큐버처 방법을 분석한다.
• 피카르 반복, 분열 확산 시스템, 점근적 전개, 다중레벨 피카르 근사화를 통한 전행 방법 평가.
• 딥러닝 기반 접근법을 포함한 분석: Deep BSDE, 딥 후행 동적계획법, 딥 스플리팅, 물리 기반 신경망.
• 수렴 속도, 계산 비용, 차원 확장성, 비연속 드라이버에 대한 강건성 등 다양한 기준에서 방법을 비교 평가하는 프레임워크 사용.
• 333개의 참고문헌에서 도출된 이론적 및 수치적 통찰을 통합하여 다양한 환경에서 방법론적 강점과 한계를 평가한다.

실험 결과

연구 질문

• RQ1 BSDEs를 위한 후행 오일러 및 고차수 이산화 스킴의 주요 가정, 수렴 성질, 실용적 트레이드오프는 무엇인가?
• RQ2 최소제곱 회귀, 말리아빈 미적분 등 조건 기대값 계산 기법들 간의 정확도와 효율성은 어떻게 비교되는가?
• RQ3 피카르 반복 및 다중레벨 피카르 근사화와 같은 전행 방법은 고차원 BSDEs의 확장성에 어떻게 기여하는가?
• RQ4 딥러닝 기반 방법은 고차원 및 비선형 BSDEs를 다루는 데 있어 전통적 수치적 스킴의 한계를 어떻게 극복하는가?
• RQ5 점프, 반사, 이차 드라이버를 포함한 비표준 특성을 지닌 BSDEs를 해결하는 데 있어 현재의 이론적 및 수치적 과제는 무엇인가?

주요 결과

• Deep BSDE 및 딥 스플리팅과 같은 딥러닝 기반 방법은 전통적 방법이 차원의 극복 문제로 실패하는 고차원 BSDEs와 반선형 PDEs를 해결하는 데 강력한 잠재력을 보이며.
• 최소제곱 회귀는 여전히 널리 사용되며 효과적인 조건 기대값 계산 방법이지만, 기저 함수 선택에 따라 정확도가 달라지고 고차원에서는 성능 저하가 발생할 수 있다.
• 말리아빈 미적분 기반 방법은 드라이버가 비마르코프 또는 비정규적인 경우에 특히 이론적으로 강건한 대안을 제공한다.
• 다중레벨 피카르 근사화는 온화한 조건 하에서 지수 수렴 속도를 달성하여 특정 유형의 반선형 PDEs 및 BSDEs에 매우 효율적이다.
• 이 서베이는 에르고딕, 지연, 제도 전환 특성을 지닌 BSDEs를 위한 수치적 방법에 있어 상당한 연구 격차를 특정하며, 이는 이론적 및 응용 연구 분야에서 충족되지 않은 요구를 시사한다.
• 다양한 발전에도 불구하고 많은 딥러닝 기반 방법의 이론적 수렴 분석는 아직 완료되지 않아 향후 연구의 핵심 영역임을 강조한다.