[논문 리뷰] Sequential Regression for Optimal Stopping Problems

Bobby Gramacy, Michael Ludkovski|arXiv (Cornell University)|2013. 09. 16.

Auction Theory and Applications인용 수 1

한 줄 요약

이 논문은 정지 경계 근처에서 확률적 격자를 적응적으로 정밀하게 조정하는 순차적 회귀 방법을 소개한다. 이는 계속 진행 및 정지 영역을 동적으로 국소적으로 추정할 수 있게 하여, 다차원 버무디안 콜옵션의 가격 설정에서 정확성을 유지하면서도 표준 Longstaff-Schwartz 방법 대비 설계 크기를 최대 10배까지 감소시킨다.

ABSTRACT

We propose a new approach to solve optimal stopping problems via simulation. Working within the backward dynamic programming/Snell envelope framework, we augment the methodology of Longstaff-Schwartz that focuses on approximating the stopping strategy. Namely, we introduce adaptive generation of the stochastic grids anchoring the simulated sample paths of the underlying state process. This allows for active learning of the classifiers partitioning the state space into the continuation and stopping regions. To this end, we examine sequential design schemes that adaptively place new design points close to the stopping boundaries. We then discuss dynamic regression algorithms that can implement such recursive estimation and local refinement of the classifiers. The new algorithm is illustrated with a variety of numerical experiments, showing that an order of magnitude savings in terms of design size can be achieved. We also compare with existing benchmarks in the context of pricing multi-dimensional Bermudan options.

연구 동기 및 목표

• 정확한 근사화에 필요한 설계 포인트 수를 줄임으로써 시뮬레이션 기반 최적 정지 방법의 효율성을 향상시키는 것.
• Longstaff-Schwartz 방법의 고정 격자 설계의 한계를 해결하기 위해 정지 경계 근처에 샘플 경로를 동적으로 적응적으로 배치하는 것.
• 상태 공간을 계속 진행 영역과 정지 영역으로 분할하는 분류기들을 학습하고 개선하기 위한 순차적 회귀 프레임워크를 개발하는 것.
• 다차원 최적 정지 문제에서 정확성을 희생시키지 않은 채 상당한 계산적 절감을 달성하는 것.
• 고차원 버무디안 옵션 가격 설정에서 제안된 방법을 기존 방법들과 비교 평가하는 것.

제안 방법

• 이 방법은 정지 경계 근처에 새로운 격자 포인트를 반복적으로 배치함으로써 순차적 설계 기법을 사용한다. 이는 계산 자원을 가장 필요한 곳에 집중시킨다.
• 최적 정지 시점과 가치 함수를 정의하기 위해 스넬 최대값을 활용한 역방향 동적 프rogramming을 적용한다.
• 오차 추정치와 계속 진행 및 정지 영역 간 경계 근처의 국소 밀도를 기반으로 적응적 정밀화가 이뤄진다.
• 새로 추가된 설계 포인트를 바탕으로 상태 공간을 분할하는 분류기들을 업데이트하기 위해 순차적 회귀 알고리즘을 사용한다.
• 각 설계 포인트에서 국소 회귀 모델을 유지함으로써 조건부 기대값을 효율적이고 국소적으로 추정할 수 있다.
• 이 방법은 확률적 최적 제어에 활성 학습 원리를 통합하여 수렴 속도를 향상시키고 필요한 표본 수를 줄인다.

실험 결과

연구 질문

• RQ1 정지 경계 근처에서의 적응적 격자 정밀화가 시뮬레이션 기반 최적 정지 문제에서 필요한 설계 포인트 수를 상당히 줄일 수 있는가?
• RQ2 다차원 옵션에 대해 순차적 회귀의 성능은 정확성과 계산 비용 측면에서 표준 Longstaff-Schwartz 방법과 비교해 어떻게 되는가?
• RQ3 순차적 회귀 알고리즘이 국소 정밀화를 통해 계속 진행 및 정지 영역의 추정을 얼마나 향상시킬 수 있는가?
• RQ4 순차적 설계가 최적 정지 가치 추정의 수렴 속도와 안정성에 어떤 영향을 미치는가?
• RQ5 고차원 환경에서 정확성을 유지하면서도 설계 크기를 상당히 줄일 수 있는가?

주요 결과

• 제안된 방법은 표준 Longstaff-Schwartz 방법 대비 설계 포인트 수를 최대 10배까지 줄여 계산 효율성을 크게 향상시킨다.
• 정지 경계 근처에 격자 포인트를 적응적으로 배치함으로써 가치 함수의 추정이 더 빠르게 수렴하고 정확도가 향상된다.
• 수치 실험을 통해 다양한 다차원 버무디안 옵션 가격 설정 문제에서 일관된 성능 향상을 입증하였다.
• 순차적 회귀 프레임워크는 효과적인 국소 정밀화를 가능하게 하여 고차원 상태 공간에서의 분류기 정확도를 향상시켰다.
• 설계 크기 효율성 측면에서 기존 벤치마크를 능가하면서도 경쟁 가능한 정확도를 유지하였다.
• 순차적 설계 전략은 정지 경계의 기하학적 구조를 효과적으로 포착하여 정보가 적은 영역에서 불필요한 샘플링을 줄였다.