[논문 리뷰] Unbiased deep solvers for parametric PDEs

Marc Sabaté Vidales, David Šiška외 1명|arXiv (Cornell University)|2018. 10. 11.

Model Reduction and Neural Networks참고 문헌 46인용 수 17

한 줄 요약

이 논문은 매개변수를 가진 PDE의 비편향된 딥러닝 솔버를 제안하며, 동시에 해와 그 기울기를 근사함으로써 몬테카를로 적분과 마팅게일 표현 정리를 결합하여 편향 없는 파생상품 가격 산정을 가능하게 한다. 이 방법은 네트워크 품질에 대해 강건하며, 높은 차원 문제(최대 100차원)에서도 효과적으로 작동하여 사전 가정이 최소한인 블랙박스 솔루션으로 기능한다.

ABSTRACT

We develop several deep learning algorithms for approximating families of parametric PDE solutions. The proposed algorithms approximate solutions together with their gradients, which in the context of mathematical finance means that the derivative prices and hedging strategies are computed simulatenously. Having approximated the gradient of the solution one can combine it with a Monte-Carlo simulation to remove the bias in the deep network approximation of the PDE solution (derivative price). This is achieved by leveraging the Martingale Representation Theorem and combining the Monte Carlo simulation with the neural network. The resulting algorithm is robust with respect to quality of the neural network approximation and consequently can be used as a black-box in case only limited a priori information about the underlying problem is available. We believe this is important as neural network based algorithms often require fair amount of tuning to produce satisfactory results. The methods are empirically shown to work for high-dimensional problems (e.g. 100 dimensions). We provide diagnostics that shed light on appropriate network architectures.

연구 동기 및 목표

• 매개변수를 가진 PDE 해의 가족을 높은 정확도와 강건성으로 근사하는 딥러닝 알고리즘을 개발하기.
• 해 값과 그 기울기를 동시에 계산하여 금리 수학 금융에서 파생상품 가격과 헤지 전략을 직접 계산할 수 있도록 하기.
• 몬테카를로 시뮬레이션과 마팅게일 표현 정리를 사용하여 신경망 근사에서 발생하는 편향을 제거하기.
• 사전 지식이 제한되거나 최적의 네트워크 아키텍처가 아니어도 안정적으로 작동하는 블랙박스 솔버를 만들기.
• 고차원 PDE 문제에서 적합한 신경망 아키텍처를 평가하고 진단하기 위한 도구 제공하기.

제안 방법

• 이 방법은 딥 뉴럴 네트워크를 사용하여 매개변수를 가진 PDE의 해와 그 기울기를 근사하며, 특히 고차원 설정에서 효과적이다.
• 네트워크에서 얻은 기울기 정보를 활용해 몬테카를로 시뮬레이션의 제어 변수를 구성함으로써 해 추정치의 편향을 감소시킨다.
• 마팅게일 표현 정리를 적용하여 보정 항목이 진정한 마팅게일임을 보장함으로써 PDE 해의 비편향 추정이 가능해진다.
• 알고리즘은 신경망 근사와 몬테카를로 샘플링을 결합하여, 네트워크가 잘못 학습된 경우에도 해의 비편향 추정기를 생성한다.
• 이 방법은 최소한의 하이퍼파rameter 튜닝을 요구하며, 기존 딥러닝 파ip라인에 쉽게 통합 가능한 플러그 앤 플레이 구성 요소로 설계되어 있다.
• 특정 PDE 문제에 적합한 네트워크 아키텍처 선택을 안내하기 위한 진단 도구를 도입한다.

실험 결과

연구 질문

• RQ1 딥 뉴럴 네트워크를 사용하여 매개변수를 가진 PDE의 해와 기울기를 근사함으로써 비편향된 해 추정이 가능한가?
• RQ2 마팅게일 표현 정리를 딥러닝과 어떻게 통합하여 PDE 해 근사에서 발생하는 편향을 보정할 수 있는가?
• RQ3 신경망 근사가 부정확하거나 최적화되지 않은 경우에도 제안된 방법이 얼마나 강건하게 유지되는가?
• RQ4 고차원 매개변수 PDE 문제에서 가장 효과적인 네트워크 아키텍처는 무엇이며, 어떻게 진단할 수 있는가?
• RQ5 이 방법은 기초 문제에 대한 사전 지식이 최소한인 실용적 응용에서 블랙박스 솔버로 사용될 수 있는가?

주요 결과

• 제안된 방법은 신경망 근사, 몬테카를로 시뮬레이션, 마팅게일 표현 정리를 조합하여 PDE 해의 비편향 추정을 달성한다.
• 알고리즘이 네트워크 근사가 열악한 경우에도 강건하게 유지되어 광범위한 하이퍼파rameter 튜닝의 필요성을 크게 줄인다.
• 실증적으로 이 방법은 최대 100개의 공간 차원을 가진 고차원 문제에서도 효과적으로 작동함을 입증하였다.
• 해와 기울기의 동시에 근사가 가능하여 금융 응용에서 파생상품 가격과 헤지 전략을 직접 계산할 수 있다.
• 특정 매개변수 PDE 문제에 적합한 신경망 아키텍처 선택을 위한 실질적인 통찰을 제공하는 진단 도구가 개발되었다.
• 이 방법은 사전 정보가 제한된 실세계 시나리오에서의 구현에 적합한 신뢰할 수 있는 블랙박스 솔버로 기능한다.