[论文解读] Backward Deep BSDE Methods and Applications to Nonlinear Problems

Yajie Yu, Bernhard Hientzsch+1 more|arXiv (Cornell University)|Jun 13, 2020

Stochastic processes and financial applications参考文献 7被引用 4

一句话总结

本文提出了一种新颖的后向深度BSDE方法，用于求解高维非线性前向-后向随机微分方程（FBSDEs），特别应用于量化金融中的差利率问题。通过实现时间步进的后向计算，并对非线性生成器采用精确解与泰勒展开近似（此前未实现），该方法能够精确计算复杂衍生品（如跨式期权和看涨期权组合）的定价，结果与既有的PDE基准高度一致。

ABSTRACT

In this paper, we present a backward deep BSDE method applied to Forward Backward Stochastic Differential Equations (FBSDE) with given terminal condition at maturity that time-steps the BSDE backwards. We present an application of this method to a nonlinear pricing problem - the differential rates problem. To time-step the BSDE backward, one needs to solve a nonlinear problem. For the differential rates problem, we derive an exact solution of this time-step problem and a Taylor-based approximation. Previously backward deep BSDE methods only treated zero or linear generators. While a Taylor approach for nonlinear generators was previously mentioned, it had not been implemented or applied, while we apply our method to nonlinear generators and derive details and present results. Likewise, previously backward deep BSDE methods were presented for fixed initial risk factor values $X_0$ only, while we present a version with random $X_0$ and a version that learns portfolio values at intermediate times as well. The method is able to solve nonlinear FBSDE problems in high dimensions.

研究动机与目标

• 解决先前后向深度BSDE方法仅能处理零或线性生成器的局限性，将其扩展至非线性生成器。
• 克服由衍生品定价中差利率引起的非线性PDE所导致的维度灾难问题。
• 开发一种支持固定与随机初始风险因子值 $X_0$ 的后向深度BSDE框架，提升方法的适用范围。
• 实现并验证一种新方法，通过深度神经网络学习中间时间点的组合价值，提升鲁棒性与精度。
• 在基准非线性问题（如差利率下的跨式期权与看涨期权组合）上展示该方法的有效性，结果与既有的PDE求解器相当。

提出的方法

• 对非线性问题（特别是差利率问题）的FBSDE系统进行时间离散化，采用从到期时间到初始时间的后向时间步进方法。
• 为差利率问题中的非线性生成器提出一种解析推导的精确后向步长解，以确保计算精度。
• 引入基于泰勒展开的近似方法，用于在精确解不可行时实现高效计算。
• 实现两种变体：一种最小化固定 $X_0$ 下 $Y_{t_0}$ 的批量方差，另一种使用深度神经网络预测 $\mathsf{yinit}(X_0)$ 以处理随机 $X_0$。
• 对固定 $X_0$ 使用带方差最小化的目标函数进行小批量随机梯度下降；对随机 $X_0$ 使用均方误差损失函数。
• 构建端到端训练的计算图，将后向步长近似方法整合进深度学习框架，实现可扩展的高维求解。

实验结果

研究问题

• RQ1 后向深度BSDE方法能否扩展至处理非线性生成器？此前该方法仅限于零或线性情况。
• RQ2 所提出的精确解与基于泰勒展开的后向步长近似方法在求解衍生品定价中的非线性FBSDEs方面效果如何？
• RQ3 当 $X_0$ 为随机而非固定时，该方法是否仍保持精度与稳定性？与PDE基准相比表现如何？
• RQ4 后向深度BSDE方法的结果在多大程度上与既有的PDE解对应该差利率问题？
• RQ5 该方法能否在高维设置下捕捉复杂的交易策略（如借贷行为）？

主要发现

• 采用精确后向步长的后向深度BSDE方法，其结果与Forsyth和Labahn [FL07] 的经典PDE基准高度一致，即使批量大小小至512亦然。
• 在跨式期权与看涨期权组合案例中，该方法预测的 $\mathsf{yinit}(X_0)$ 值与Forsyth和Labahn [FL07] 的参考曲线高度吻合，尤其在批量大小增至1024时更为显著。
• 基于泰勒展开的后向步长近似方法产生的结果几乎与精确后向步长无法区分，验证了其作为计算高效替代方案的有效性。
• 该方法成功可视化并捕捉了交易策略的动力学，包括不同股价水平下的借贷区域（红色表示借贷，黑色表示贷款）。
• 在随机 $X_0$ 上训练的网络学习到了一致的 $\mathsf{yinit}(X_0)$ 函数，该函数代表了路径回溯值的 $L^2$-投影，证明了对初始条件变化的鲁棒性。
• 该方法在高维问题上表现出良好的泛化能力，为传统PDE与蒙特卡洛方法在维度灾难下失效时提供了可扩展的替代方案。