Deep Signature and Neural RDE Methods for Path-Dependent Portfolio Optimization
创建于 更新于
摘要
本论文提出一种结合截断对数特征（log-signature）与神经粗糙微分方程（Neural RDE）架构的深度BSDE/2BSDE求解器，用于高维路径依赖的量化金融问题。通过CVaR倾斜的终端目标和二阶HJB残差约束，实现了对极端尾部风险的精确校准及模型训练的稳定性。实验证明，在路径依赖定价及投资组合控制任务中，该方法在误差率、尾部风险度量及计算效率方面均优于现有深度BSDE基线，尤其随着维度提升优势更加明显，展示了截断log-signature与连续时间状态传递相结合对复杂路径依赖问题的有效建模能力[page::0][page::1][page::4][page::5][page::6][page::7]。
