A NEW ARCHITECTURE OF HIGH-ORDER DEEP NEURAL NETWORKS THAT LEARN MARTINGALES
创建于 更新于
摘要
本文提出一种基于高阶弱逼近算法的深度神经网络架构，用于高效学习随机微分方程中的鞅过程，特别适用于金融衍生品定价。核心创新在于将显式Runge–Kutta型高阶弱逼近方法整合至神经网络，通过迭代组合和线性运算实现SDE的近似。数值实验表明，所提架构在美式期权定价中相比传统ResNet优化效果更优，学习速度更快，且具有更高的逼近阶数[page::0][page::10][page::15][page::16]
