DEEP LEARNING AND ELICITABILITY FOR MCKEAN-VLASOVFBSDES WITH COMMON NOISE
创建于 更新于
摘要
本文提出将Picard迭代、elicitability与深度学习相结合的数值方法，用于求解含有公共噪声的McKean–Vlasov前后向SDE。核心是利用elicitability构造路径级损失以估计条件统计量（如条件均值或分位数），从而在不进行嵌套蒙特卡洛的情况下训练RNN与前馈网络逼近S、Y、Z及Z0；数值实验（含系统性风险解析解检验与经济增长模型应用）证明了方法的准确性与灵活性 [page::0][page::14]
