Distributional Reinforcement Learning on Path-dependent Options
创建于 更新于
摘要
本文提出基于分布式强化学习（Distributional Reinforcement Learning，DistRL）的路径依赖期权定价框架，创新性地估计期权回报的全分布而非期望值，允许风险敏感定价和尾部风险量化。以亚洲期权为例，构建基于分位数回归的价值函数近似，利用径向基函数（RBF）对分位函数进行高效建模，实现路径状态的有限维Markov表示，验证了方法的稳定收敛及在不同参数配置下的实验表现，为路径依赖期权的非参数定价提供新途径 [page::0][page::1][page::9][page::12][page::14][page::19]
