Neural network expression rates and applications of the deep parametric PDE method in counterparty credit risk
Neural network expression rates and applications of the deep parametric PDE method in counterparty credit risk
复制标题
深度参数PDE方法在交易对手信用风险中的神经网络表达率及应用
DOI：
10.1007/s10479-023-05315-4
复制
发表时间：
2023
影响因子：
4.8
通讯作者：
Glau K
中科院分区：
文献类型：
--
作者：
Glau K
最近引入的深度参数PDE方法将高维问题的深度学习效率与经典PDE模型的可靠性相结合。深度参数偏微分方程方法的精度取决于神经网络的最佳逼近特性。我们提供了（据我们所知）第一近似结果，其特征是以双曲正切作为激活函数的深度神经网络的收敛速度与维度无关。数值结果证实，深参数PDE方法在高维环境中表现良好，提出了一个风险管理问题的金融行业的高兴趣。
The recently introduced deep parametric PDE method combines the efficiency of deep learning for high-dimensional problems with the reliability of classical PDE models. The accuracy of the deep parametric PDE method is determined by the best-approximation property of neural networks. We provide (to the best of our knowledge) the first approximation results, which feature a dimension-independent rate of convergence for deep neural networks with a hyperbolic tangent as the activation function. Numerical results confirm that the deep parametric PDE method performs well in high-dimensional settings by presenting in a risk management problem of high interest for the financial industry.
登录
查看更多内容
金融领域函数逼近的深度神经网络替代方案
DOI：
10.2139/ssrn.3958331
发表时间：
2021
期刊：
SSRN Electronic Journal
影响因子：
--
作者：
A. Antonov;Vladimir V. Piterbarg
通讯作者：
Vladimir V. Piterbarg
交易对手信用风险和 XVA 的人工神经网络方法
DOI：
10.2139/ssrn.3312944
发表时间：
2019
期刊：
ERN: Credit Risk (Topic)
影响因子：
--
作者：
Sven Welack
通讯作者：
Sven Welack
影响因子：
1.3
作者：
K. Glau;R. Pachón;C. Pötz
通讯作者：
C. Pötz
用于计算高维百慕大期权暴露剖面的深度学习方法
DOI：
10.1016/j.amc.2021.126332
发表时间：
2020
期刊：
Appl. Math. Comput.
影响因子：
--
作者：
Kristoffer Andersson;C. Oosterlee
通讯作者：
C. Oosterlee
影响因子：
4.1
作者：
Raissi, M.;Perdikaris, P.;Karniadakis, G. E.
通讯作者：
Karniadakis, G. E.