[论文解读] A Review of Tree-based Approaches to solve Forward-Backward Stochastic Differential Equations

Long Teng|arXiv (Cornell University)|Sep 2, 2018

Stochastic processes and financial applications参考文献 35被引用 6

一句话总结

该论文提出了一种基于回归树的数值方法，用于求解高维前向-后向随机微分方程（FBSDEs），采用theta-离散化处理时间积分项，并利用基于树的回归高效近似条件期望。该方法在基准100维定价问题中表现出高精度和计算效率，相对误差和标准差均较低，优于多水平蒙特卡洛方法和深度学习方法。

ABSTRACT

In this work, we study solving (decoupled) forward-backward stochastic differential equations (FBSDEs) numerically using the regression trees. Based on the general theta-discretization for the time-integrands, we show how to efficiently use regression tree-based methods to solve the resulting conditional expectations. Several numerical experiments including high-dimensional problems are provided to demonstrate the accuracy and performance of the tree-based approach. For the applicability of FBSDEs in financial problems, we apply our tree-based approach to the Heston stochastic volatility model, the high-dimensional pricing problems of a Rainbow option and an European financial derivative with different interest rates for borrowing and lending.

研究动机与目标

• 开发一种高效的数值方法，用于求解解耦的前向-后向随机微分方程（FBSDEs），尤其在传统方法难以应对的高维情形下。
• 解决FBSDEs中估计条件期望的计算挑战，这是数值格式中的关键瓶颈。
• 展示基于树的回归在高维金融衍生品定价问题中的适用性与准确性。
• 在精度、运行时间与收敛性方面，将所提方法与现有最先进方法（包括多水平蒙特卡洛和深度学习）进行比较。

提出的方法

• 该方法采用通用的theta-离散化方案处理FBSDEs的时间积分项，实现灵活且稳定的时域积分。
• 通过回归树近似离散化过程中产生的条件期望，自适应地划分状态空间以建模复杂依赖关系。
• 该方法应用于解耦FBSDEs及后向SDEs的特殊情况，重点关注期权定价等金融应用。
• 算法采用蒙特卡洛采样并结合样本分裂技术，以提高统计稳定性，尤其适用于高维问题。
• 测试了不同theta值（如0、0.5、1）以分析其对收敛性与稳定性的影响。
• 在某些情况下通过设置θ=1避免直接计算Z分量，从而在高维情形下简化迭代过程。

实验结果

研究问题

• RQ1 回归树能否有效近似theta-离散化产生的FBSDEs中的条件期望？
• RQ2 基于树的方法在求解高维FBSDEs时，与多水平蒙特卡洛和深度学习相比表现如何？
• RQ3 基于树的方法在不同theta值下的收敛行为与计算效率如何？
• RQ4 该方法能否在100维非线性定价问题（如随机波动率或不同借贷利率）中实现高精度？
• RQ5 在复杂金融衍生品（如彩虹期权）上应用时，该方法是否保持低方差与鲁棒性？

主要发现

• 在100维非线性定价问题中，基于树的方法在M=200,000组样本和N_T=10个时间步长下，实现了0.0020的相对误差，精度与运行时间均优于采用6次Picard迭代的多水平蒙特卡洛方法。
• 在M=200,000且N_T=10的条件下，100D问题的标准差为0.0199，表明方差低且稳定性高。
• 在M=200,000和N_T=10的条件下，平均运行时间为464.9秒，显著快于采用7次迭代的多水平蒙特卡洛方法（1915.1秒），且精度相当。
• 在M=300,000时，基于树的方法在100D问题中实现了0.0017的相对误差，表明随着样本量增加，方法具有收敛性。
• 在1D情形下不同利率条件下，该方法在M=100,000时实现了0.0013的相对误差，表现出高精度与低方差。
• 在100D情形下，该方法在运行时间（947.7秒）上优于基于深度学习的方法（566秒），同时保持了相当或更优的精度。