Accéder directement au contenu Accéder directement à la navigation
Article dans une revue

Neural network regression for Bermudan option pricing

Bernard Lapeyre 1, 2 Jérôme Lelong 3 
2 MATHRISK - Mathematical Risk Handling
UPEM - Université Paris-Est Marne-la-Vallée, ENPC - École des Ponts ParisTech, Inria de Paris
3 DAO - Données, Apprentissage et Optimisation
LJK - Laboratoire Jean Kuntzmann
Abstract : The pricing of Bermudan options amounts to solving a dynamic programming principle, in which the main difficulty, especially in high dimension, comes from the conditional expectation involved in the computation of the continuation value. These conditional expectations are classically computed by regression techniques on a finite dimensional vector space. In this work, we study neural networks approximations of conditional expectations. We prove the convergence of the well-known Longstaff and Schwartz algorithm when the standard least-square regression is replaced by a neural network approximation. We illustrate the numerical efficiency of neural networks as an alternative to standard regression methods for approximating conditional expectations on several numerical examples.
Liste complète des métadonnées

https://hal.univ-grenoble-alpes.fr/hal-02183587
Contributeur : Jérôme Lelong Connectez-vous pour contacter le contributeur
Soumis le : vendredi 27 novembre 2020 - 17:54:45
Dernière modification le : vendredi 8 juillet 2022 - 10:10:03

Fichiers

ls-nn.pdf
Fichiers produits par l'(les) auteur(s)

Identifiants

Citation

Bernard Lapeyre, Jérôme Lelong. Neural network regression for Bermudan option pricing. Monte Carlo Methods and Applications, De Gruyter, 2021, 27 (3), pp.227-247. ⟨10.1515/mcma-2021-2091⟩. ⟨hal-02183587v3⟩

Partager

Métriques

Consultations de la notice

607

Téléchargements de fichiers

1258