[论文解读] Numerical methods for backward stochastic differential equations: A survey

Jared Chessari, Reiichiro Kawai+2 more|arXiv (Cornell University)|Jan 22, 2021

Stochastic processes and financial applications参考文献 92被引用 4

一句话总结

本综述对随机微分方程（BSDEs）的数值方法进行了全面、系统的比较，将333篇参考文献分类为后向法、前向法和基于深度学习的方法。它评估了关键假设、收敛性特性及实际权衡，为选择和推进方法提供了统一框架，尤其适用于高维和非线性问题。

ABSTRACT

Backward Stochastic Differential Equations (BSDEs) have been widely employed in various areas of social and natural sciences, such as the pricing and hedging of financial derivatives, stochastic optimal control problems, optimal stopping problems and gene expression. Most BSDEs cannot be solved analytically and thus numerical methods must be applied to approximate their solutions. There have been a variety of numerical methods proposed over the past few decades as well as many more currently being developed. For the most part, they exist in a complex and scattered manner with each requiring a variety of assumptions and conditions. The aim of the present work is thus to systematically survey various numerical methods for BSDEs, and in particular, compare and categorize them, for further developments and improvements. To achieve this goal, we focus primarily on the core features of each method based on an extensive collection of 333 references: the main assumptions, the numerical algorithm itself, key convergence properties and advantages and disadvantages, to provide an up-to-date coverage of numerical methods for BSDEs, with insightful summaries of each and a useful comparison and categorization.

研究动机与目标

• 为解决BSDE数值方法分散、零散的现状，提供一个统一、系统的综述。
• 基于核心特征（如假设条件、算法、收敛性及实际优缺点）对现有数值方法进行比较与分类。
• 通过识别研究空白，特别是针对带跳、反射或非全局Lipschitz条件等非标准BSDE类型，支持未来的方法论发展。
• 突出基于深度学习的方法在求解高维和非线性BSDE中的变革潜力。
• 为研究人员在金融、控制论和偏微分方程（PDEs）领域选择或设计BSDE数值格式提供基础参考。

提出的方法

• 将数值方法分为三类主要类别：后向方法（如后向欧拉法、高阶格式）、前向方法（如Picard迭代、多级Picard）和基于深度学习的方法。
• 通过最小二乘回归、Malliavin微积分、量化方法、基于树的算法和立方方法，分析条件数学期望的计算——这是后向方法的关键步骤。
• 通过Picard迭代、分支扩散系统、渐近展开和多级Picard逼近，评估前向方法。
• 研究基于深度学习的方法，包括Deep BSDE、深度后向动态规划、深度分裂法以及物理信息神经网络。
• 采用比较框架，从收敛速度、计算成本、维度可扩展性以及对非光滑驱动项的鲁棒性等方面评估各类方法。
• 综合333篇参考文献的理论与数值洞察，评估各类方法在不同场景下的优势与局限。

实验结果

研究问题

• RQ1 后向欧拉法和高阶离散化方法在BSDE中，其关键假设、收敛性质及实际权衡是什么？
• RQ2 不同条件数学期望计算技术（如最小二乘回归、Malliavin微积分）在精度与效率方面如何比较？
• RQ3 如Picard迭代和多级Picard逼近等前向方法在提升高维BSDE求解可扩展性方面有何优势？
• RQ4 基于深度学习的方法如何克服经典数值格式在处理高维和非线性BSDE时的局限性？
• RQ5 求解具有非标准特征（如跳跃、反射或二次驱动项）的BSDE，当前在理论与数值方面面临哪些挑战？

主要发现

• 基于深度学习的方法（如Deep BSDE和深度分裂法）在求解高维BSDE和半线性PDE方面展现出强大潜力，而经典方法因维度灾难而失效。
• 最小二乘回归仍是计算条件数学期望的广泛使用且有效的方法，但其精度依赖于基函数的选择，且在高维下可能下降。
• 基于Malliavin微积分的方法为条件数学期望计算提供了理论稳健的替代方案，尤其适用于非马氏或不规则驱动项的情形。
• 多级Picard逼近在较弱条件下可实现指数收敛速率，使其在特定类别的半线性PDE和BSDE中极为高效。
• 本综述识别出在遍历性、时滞和状态转移BSDE的数值方法方面存在显著研究空白，表明理论与应用研究中尚存未满足的需求。
• 尽管已有进展，但许多基于深度学习的方法的理论收敛性分析仍不完整，凸显了未来研究的关键方向。