우리는 옵션 가격 결정을 표현(representation) 문제로 다룬다. 즉, 260만 건의 실제 옵션 계약을 사용하여 머신러닝이 블랙-숄즈(Black-Scholes)로부터의 체계적인 편차를 탐지할 수 있는가? 우리는 세 가지 방식을 비교한다. 학습된 추상 임베딩(커널 PCA), 보존된 도메인 구조(트리 기반 앙상블), 그리고 신경망 검증이다. 트리 기반 방법은 커널 차원 축소보다 21.5%p 높은 성능(93.8% 대 72.3%)을 보였으며, 도메인 전문가가 설계한 특징(그릭스, 머니니스)은 엔지니어링된 특징보다 더 우수한 성능을 보였다. 신경망 기반 편차 레이블과 BS 기반 편차 레이블은 99.9974%의 비율로 일치하며, 이는 편차가 모델의 인위적 결과물이 아니라 시장 구조를 반영함을 시사한다. 우리는 전문가가 설계한 기호적 특징이 존재하는 도메인에서는 추상화를 학습하는 것보다 구조를 보존하는 것이 더 낫다고 결론짓는다. 우리는 활용 가능한 오가격(mispricing)이 존재한다고 주장하지 않는다.
최적 정지 문제를 위한 시뮬레이션 기반 솔버는 정지 결정을 이산화해야 합니다. 고전적 동적 계획법(dynamic programming)에서 소수의 정지 기회만을 갖는 거친 행사 격자는 최적 기대 보상(reward)을 현저하게 과소평가할 수 있으며, 반면 매우 세밀한 격자에서는 근사 오차가 역방향 재귀를 통해 누적됩니다. 이러한 제약을 해결하기 위해, 우리는 임의로 미세한 시간 해상도에서 행사 규칙을 학습할 수 있는 강화학습(reinforcement learning)에서 영감을 받은 새로운 알고리즘을 개발했습니다. 우리의 CARLOS(Continuous-time Adaptive Reinforcement Learning for Optimal Stopping) 알고리즘은 결합 공간-시간 결정 경계를 학습하기 위해 집계 심층 신경망(ADNN)을 활용합니다. 거친 시간 격자에서 시작하여 정지 기회의 빈도를 점진적으로 늘리는 동시에, ADNN을 병렬로 학습(training)시켜 타이밍-가치 추정치를 정교화합니다. 또한, 정지 경계 근처에서 학습(training) 노력을 점진적으로 집중시키는 적응형 샘플링 전략을 설계했습니다. 벤치마크 결과에 따르면 CARLOS는 기존 버뮤다(Bermudan) 솔버보다 더 높은 가격을 제공하여 아메리칸 상한에 근접하며, 강화학습을 사용하지 않는 비교 대상 대비 높은 계산 효율성을 달성합니다.