PulseAugur
实时 09:24:03
English(EN) Neural Networks with Local Converging Inputs for Efficient Options Pricing Models

新的NNLCI方法提高了期权定价模型的效率

研究人员开发了一种名为“具有局部收敛输入的神经网络”(NNLCI)的新方法,以提高期权定价模型的效率。该技术使用神经网络来改进现有数值方法的解决方案,只需要很少的高保真训练数据。NNLCI在测试中已证明能够显著降低高维问题的计算需求,在保持低训练成本和强大泛化能力的同时,实现了4-12倍的误差降低。 AI

影响 该方法可以显著降低实时金融交易和风险管理的计算成本。

排序理由 该集群描述了arXiv论文中提出的一种新颖的神经网络应用。

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新的NNLCI方法提高了期权定价模型的效率

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Harris Cobb, Wenbo Hao, Yingjie Liu ·

    Neural Networks with Local Converging Inputs for Efficient Options Pricing Models

    arXiv:2608.02778v1 Announce Type: new Abstract: We present a novel application of Neural Networks with Local Converging Inputs (NNLCI) to improve the efficiency of existing numerical methods for pricing multi-asset options. The most concise input format for NNLCI has been introdu…