STN-GPR: A Singularity Tensor Network Framework for Efifcient Option Pricing
创建于 更新于
摘要
本论文提出一种基于张量列（Tensor-Train, TT）与高维核回归的选项定价代理模型（STN-GPR），通过TT-cross直接从黑箱定价器中构造高维价格表面并在噪声为零的情形下利用Laplacian核的解析逆实现无显式矩阵分解的GPR推断；在长尺度核极限下，模型退化为多线性插值，从而在八维参数空间（5资产现价、行权价、利率、到期时间）上达到对欧式几何篮子看跌期权更低的测试误差并实现对美式算术篮子看跌期权的毫秒级查询延迟，同时训练可扩展至极大网格（整体网格包含约1.375×10^11点，TCA实际评估点约5×10^5）以换取更高精度与较短训练时间 [page::0][page::9][page::10]
