[论文解读] Simulation of conditional diffusions via forward-reverse stochastic representations

Christian Bayer, John Schoenmakers|arXiv (Cornell University)|Jan 1, 2013

Financial Risk and Volatility Modeling参考文献 8被引用 1

一句话总结

本文提出前向-反向随机表示法，以模拟在终端状态条件下的多维扩散过程，实现具有根号N精度的蒙特卡洛估计。该方法避免了维度灾难，并在随机波动率模型中的实现方差示例中得到验证。

ABSTRACT

In this paper we derive stochastic representations for the finite dimensional distributions of a multidimensional diffusion on a fixed time interval, conditioned on the terminal state. The conditioning can be with respect to a fixed point or more generally with respect to some subset. The representations rely on a reverse process connected with the given (forward) diffusion as introduced in Milstein et al. [Bernoulli 10(2):281312, 2004] in the context of a forward-reverse transition density estimator. The corresponding Monte Carlo estimators have essentially root-N accuracy, hence they do not suffer from the curse of dimensionality. We provide a detailed convergence analysis and give a numerical example involving the realized variance in a stochastic volatility asset model conditioned on a fixed terminal value of the asset.

研究动机与目标

• 开发用于模拟在终端状态条件下扩散过程的准确、与维度无关的蒙特卡洛方法。
• 解决在高维随机过程中模拟条件分布时面临指数级计算成本的挑战。
• 将前向-反向过渡密度估计器框架扩展至扩散过程的有限维分布。
• 为所提出的模拟方法提供收敛性分析与数值验证。

提出的方法

• 利用反向过程，推导出前向扩散过程在给定其终端值条件下的有限维分布的随机表示。
• 采用与原始前向扩散相关联的反向SDE，如Milstein等人（2004年）所引入，以实现反向抽样。
• 基于前向-反向耦合构建蒙特卡洛估计器，确保根号N收敛速率。
• 将该方法应用于估计随机波动率模型中的条件期望，例如实现方差。
• 利用反向过程生成与终端条件一致的路径，从而实现无偏估计。
• 进行详细的收敛性分析，以验证估计器的理论精度与稳定性。

实验结果

研究问题

• RQ1 前向-反向随机表示法是否能够在高维情况下实现对条件扩散过程的精确模拟？
• RQ2 所提出的方法是否在不遭受维度灾难的情况下保持根号N精度？
• RQ3 该方法在估计随机波动率模型中条件期望（如实现方差）方面的表现如何？
• RQ4 基于前向-反向表示的蒙特卡洛估计器的理论收敛行为如何？

主要发现

• 所提出的蒙特卡洛估计器实现了根号N精度，确保收敛性与维度无关。
• 该方法成功避免了维度灾难，适用于高维扩散过程。
• 数值结果证实了理论收敛速率与条件分布模拟的稳定性。
• 该方法能够准确估计在固定终端资产价格条件下的随机波动率模型中的实现方差。
• 前向-反向表示框架为随机过程中的条件模拟提供了一种稳健且高效的工具。