Accéder directement au contenu Accéder directement à la navigation
Pré-publication, Document de travail

Neural network regression for Bermudan option pricing

Bernard Lapeyre 1, 2 Jérôme Lelong 3
2 MATHRISK - Mathematical Risk Handling
Inria de Paris, ENPC - École des Ponts ParisTech, UPEM - Université Paris-Est Marne-la-Vallée
3 DAO - Données, Apprentissage et Optimisation
LJK [2016-2019] - Laboratoire Jean Kuntzmann [2016-2019]
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

Littérature citée [32 références]  Voir  Masquer  Télécharger

https://hal.univ-grenoble-alpes.fr/hal-02183587
Contributeur : Jérôme Lelong <>
Soumis le : mardi 10 décembre 2019 - 21:37:19
Dernière modification le : vendredi 17 juillet 2020 - 11:40:04

Fichiers

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

Identifiants

  • HAL Id : hal-02183587, version 2
  • ARXIV : 1907.06474

Collections

Citation

Bernard Lapeyre, Jérôme Lelong. Neural network regression for Bermudan option pricing. 2019. ⟨hal-02183587v2⟩

Partager

Métriques

Consultations de la notice

141

Téléchargements de fichiers

521