[论文解读] Deep Learning-Based BSDE Solver for Libor Market Model with Application to Bermudan Swaption Pricing and Hedging

Haojie Wang, Han Chen+3 more|arXiv (Cornell University)|Jul 17, 2018

Stochastic processes and financial applications参考文献 2被引用 8

一句话总结

本文提出一种基于后向深度神经网络（DNN）的求解器，用于在Libor市场模型（LMM）下对Bermudan互换期权进行定价与对冲，通过将问题表述为高维前向-后向随机微分方程（FBSDE），实现了在GPU上具有优越速度和可扩展性的精确定价与直接希腊值（如Delta）计算，优于传统蒙特卡洛方法在高维情形下的表现。

ABSTRACT

The Libor market model is a mainstay term structure model of interest rates for derivatives pricing, especially for Bermudan swaptions, and other exotic Libor callable derivatives. For numerical implementation the pricing of derivatives with Libor market models is mainly carried out with Monte Carlo simulation. The PDE grid approach is not particularly feasible due to Curse of Dimensionality. The standard Monte Carlo method for American/Bermudan swaption pricing more or less uses regression to estimate expected value as a linear combination of basis functions (Longstaff and Schwartz). However, Monte Carlo method only provides the lower bound for American option price. Another complexity is the computation of the sensitivities of the option, the so-called Greeks, which are fundamental for a trader's hedging activity. Recently, an alternative numerical method based on deep learning and backward stochastic differential equations appeared in quite a few researches. For European style options the feedforward deep neural networks (DNN) show not only feasibility but also efficiency to obtain both prices and numerical Greeks. In this paper, a new backward DNN solver is proposed for Bermudan swaptions. Our approach is representing financial pricing problems in the form of high dimensional stochastic optimal control problems, FBSDEs, or equivalent PDEs. We demonstrate that using backward DNN the high-dimension Bermudan swaption pricing and hedging can be solved effectively and efficiently. A comparison between Monte Carlo simulation and the new method for pricing vanilla interest rate options manifests the superior performance of the new method. We then use this method to calculate prices and Greeks of Bermudan swaptions as a prelude for other Libor callable derivatives.

研究动机与目标

• 解决在Libor市场模型下高维Bermudan互换期权定价的挑战，传统PDE与蒙特卡洛方法面临‘维数灾难’问题。
• 克服标准蒙特卡洛方法的局限性，后者仅能提供美式期权的下界估计，且计算希腊值需复杂的路径回归。
• 开发一种可扩展的深度学习框架，直接计算期权价格与敏感性（希腊值），无需依赖回归或路径模拟。
• 实现在多个基础Libor利率上的高效且精确的Delta敏感性计算，这对利率衍生品对冲策略至关重要。
• 证明基于深度学习的FBSDE求解器在复杂金融衍生品（尤其是可提前行权的工具如Bermudan互换期权）中的可行性与性能，超越欧式期权的范畴。

提出的方法

• 将Bermudan互换期权定价问题表述为高维前向-后向随机微分方程（FBSDE），利用广义Feynman-Kac定理。
• 实现一种后向DNN架构，通过基于初始值估计方差的损失函数，将期权价值从到期日反向推导至初始时刻。
• 采用与前向DNN求解器并行的神经网络结构，但针对时间反向演化与提前行权决策进行适配。
• 使用在LMM下模拟的Libor利率路径，通过随机梯度下降训练DNN，损失函数旨在最小化终值收益的投影方差。
• 直接将希腊值（如Delta）作为网络输出对基础Libor利率的梯度计算，避免额外的路径或似然比估计。
• 通过TensorFlow实现GPU加速，显著提升计算效率，尤其适用于具有众多行权日的长期限互换期权。

实验结果

研究问题

• RQ1 基于深度学习的后向DNN求解器是否能在传统PDE与蒙特卡洛方法失效的高维Libor市场模型设定下，准确对Bermudan互换期权进行定价？
• RQ2 与标准蒙特卡洛模拟相比，后向DNN求解器在长期限互换期权的定价精度与计算速度方面表现如何？
• RQ3 DNN方法在多大程度上可直接计算希腊值（如Delta）而无需额外回归或路径模拟？其结果与参考值相比如何？
• RQ4 Bermudan互换期权对不同到期期限Libor利率的Delta敏感性呈现出何种模式？是否符合金融直觉？
• RQ5 后向DNN框架能否有效扩展至其他复杂、高维的利率衍生品，如可赎回CMS利差期权或区间累积票据？

主要发现

• 后向DNN求解器的定价精度与QuantLib中的蒙特卡洛模拟相当，对于互换期权swptn_1，净现值（NPV）的最大差异仅为0.00161。
• 对于行权时间逐渐增加的互换期权（如swptn_1至swptn_19），在单张V100 GPU上计算时间范围为3至20分钟，展现出强大的可扩展性。
• DNN计算出的Delta具有清晰的金融直觉：对后期到期Libor利率（如$L_{29}$）的Delta随行权时间增加而上升，而对早期到期利率（如$L_{10}$）的敏感性则下降。
• 该方法成功捕捉了Delta对剩余行权机会数量的结构性依赖关系——例如，对于swptn_19，有$\Delta(L_{10}) < \Delta(L_{11}) < \cdots < \Delta(L_{28})$，验证了其金融一致性。
• 后向DNN求解器通过反向传播直接、高效地计算希腊值，无需额外使用路径或似然比估计等数值方法。
• 该框架具有高度可扩展性与泛化能力，具有广泛应用于各类Bermudan型利率衍生品及其他资产类别（如股票与外汇）的潜力。