[论文解读] Numerical simulation of BSDEs using empirical regression methods: theory and practice

Emmanuel Gobet, Jean-Philippe Lemor|ArXiv.org|Jun 27, 2008

Stochastic processes and financial applications参考文献 16被引用 28

一句话总结

该论文提出了一种新颖的数值算法，用于求解广义倒向随机微分方程（BSDEs）和反射型BSDEs，采用基于基函数的经验回归，并提供显式的误差界与高效的蒙特卡洛模拟。该方法在计算复杂度具有竞争力的前提下，实现了高达10维的高维数值解，相较于先前方法在灵活性和模型无关设计方面表现更优。

ABSTRACT

This article deals with the numerical resolution of backward stochastic differential equations. Firstly, we consider a rather general case where the filtration is generated by a Brownian motion and a Poisson random measure. We provide a simulation algorithm based on iterative regressions on function bases, which coefficients are evaluated using Monte Carlo simulations. We state fully explicit error bounds. Secondly, restricting to the case of a Brownian filtration, we consider reflected BSDEs and adapt the previous algorithm to that situation. The complexity of the algorithm is very competitive and allows us to treat numerical results in dimension 10.

研究动机与目标

• 开发一种灵活且模型无关的数值格式，用于求解由布朗运动和泊松随机测度驱动的广义BSDEs。
• 将该方法扩展至具有反射屏障的反射型BSDEs，实现高维情形下美式期权的定价。
• 提供显式且完全可计算的误差界，以指导最优参数选择（时间步长、基函数、模拟次数）。
• 通过仅使用一组蒙特卡洛模拟来完成所有回归步骤，从而降低计算成本，与先前方法需要 O(M/h) 次模拟形成对比。
• 通过依赖分布无关的回归技术，确保方法的鲁棒性与通用性，最小化对前向过程 X 的分布假设。

提出的方法

• 使用时间步长为 h 的时间网格对BSDE进行离散化，将其转化为向后动态规划问题。
• 通过有限维基函数族（如超立方体指示函数或多项式）的经验回归，近似动态规划方程中的条件期望。
• 利用前向过程 X 的蒙特卡洛模拟，通过 M 条样本路径的模拟一次完成所有时间步的回归系数估计。
• 采用正则化或惩罚技术（如通过 φn）来稳定回归过程，并处理反射型BSDEs中的反射项。
• 引入截断阈值 R 以确保稳定性，实际中对误差影响可忽略不计。
• 按时间顺序逆向求解回归问题，通过最小二乘法在每个时间步更新 Y、Z 及驱动项 f 的估计值。

实验结果

研究问题

• RQ1 如何设计一种在高维跳扩散和一般驱动函数下具有数值稳定性和高效性的BSDE求解算法？
• RQ2 对于基于回归的BSDE求解器，可推导出哪些显式误差界？这些误差界如何依赖于时间步长 h、基函数数量、模拟规模 M 和截断 R？
• RQ3 是否可复用同一组模拟数据于所有时间步以降低计算成本？这种做法对精度有何影响？
• RQ4 基于回归的方法如何适应反射型BSDEs？不同公式（最大值法、正则化、惩罚法）在收敛性与稳定性方面有何差异？
• RQ5 该方法在多大程度上保持模型无关性，仅依赖路径模拟而不依赖前向过程 X 的特定性质？

主要发现

• 该算法在高达10维的情形下实现了美式期权的精确数值解，10维收益函数对应的期权价格为4.876，接近参考PDE结果4.896。
• 当维度 d=1 时，该方法重现了参考价格4.23（PDE方法）与4.21（Malliavin方法），且偏差随 N 和 δ 增大而减小。
• 采用超立方体基函数与每个超立方体内线性多项式的最大值法在高维下表现稳定，使用 M=65,536 次模拟在15秒内完成求解。
• 该方法仅需一组 M 次模拟即可完成所有回归步骤，与先前方法需 O(M/h) 次模拟相比，显著降低了计算成本。
• 推导出显式误差界，其依赖于 h、基函数数量、M 和 R，从而可实现针对目标精度的最优参数调优。
• 该方法保持了鲁棒性与灵活性，因其依赖于分布无关的回归技术，适用于广泛类别的前向过程，无需椭圆性或Malliavin微积分的假设。