arXiv:2601.12704v2 cs.LG

Adaptively trained Physics-informed Radial Basis Function Neural Networks for Solving Multi-asset Option Pricing Problems

Yan Ma, Yumeng Ren, Elisabeth Larsson

제출 2026-01-19

원문 초록

The present study investigates the numerical solution of Black-Scholes partial differential equation (PDE) for option valuation with multiple underlying assets. We develop a physics-informed (PI) machine learning algorithm based on a radial basis function neural network (RBFNN) that concurrently optimizes the network architecture and predicts the target option price. The physics-informed radial basis function neural network (PIRBFNN) combines the strengths of the traditional radial basis function collocation method and the physics-informed neural network machine learning approach to effectively solve PDE problems in the financial context. By employing a PDE residual-based technique to adaptively refine the distribution of hidden neurons during the training process, the PIRBFNN facilitates accurate and efficient handling of multidimensional option pricing models featuring non-smooth payoff conditions. The validity of the proposed method is demonstrated through a set of experiments encompassing a single-asset European put option, a double-asset exchange option, and a four-asset basket call option.

요약

다중 기초자산 옵션 가격 결정을 위한 Black-Scholes 편미분방정식(PDE)을 풀기 위해, 방사형 기저함수 신경망(RBFNN)과 물리 정보 신경망(PINN)을 결합한 PIRBFNN을 제안한다. PDE 잔차 기반 적응적 뉴런 삽입 전략을 통해 비평활 payoff 조건을 포함한 다차원 옵션 모델을 효율적으로 처리하며, 단일 자산 유럽형 풋옵션, 이중 자산 교환 옵션, 4자산 바스켓 콜옵션 실험에서 유효성을 입증하였다.

제출 이력

확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.

  1. arXiv:2601.12704v2제출 시각 미확인

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2606.21590v2cs.CV공통 태그 radial basis function

자기지도 학습에서 프로젝션 헤드로서의 방사 기저 함수 네트워크

Radial Basis Function Networks as Projection Heads in Self-Supervised Learning

자기지도 학습(SSL)은 일반적으로 백본(backbone) 인코더 뒤에 작은 다층 퍼셉트론(MLP) 프로젝션 헤드가 이어지는 구조에 의존하며, 이 프로젝션 헤드는 통상 학습 후 버려지고, 백본의 품질은 레이블이 있는 데이터에 대한 비용이 큰 선형 프로빙(linear probing)으로 평가된다. 우리는 프로젝터를 버리는 것을 포함한 이 접근법이 상당히 계산적으로 낭비적이라고 주장한다. 대신, 우리는 MLP 헤드를 방사 기저 함수 네트워크(RBFN)로 대체할 것을 제안하며, RBFN의 해석 가능한 중심(center) 및 형태(shape) 매개변수를 활용하여 레이블이나 별도의 분류기 없이 표현(representation) 품질을 판단할 수 있다. 이를 위해 학습 중 학습된 커널 중심과 형태로만부터 유도된 새로운 레이블 없는 품질 지표인 Scale-Normalized Separation(SNS)을 도입한다. MoCo, SimCLR, BYOL, SwAV, SimSiam 다섯 가지 대표적인 SSL 아키텍처와 네 가지 이미지 분류 데이터셋에서, RBFN 프로젝션 헤드가 표준 MLP 프로젝터의 경쟁력 있는 드롭인(drop-in) 대체재임을 보여준다. 우리는 가우시안 방사 기저 함수(Gaussian radial basis function)로 활성화된 세 개의 RBF 층으로 구성할 것을 권장한다. 게다가 SNS는 확립된 로지스틱 회귀(logistic regression) 지표와 강함에서 매우 강함까지의 양의 상관관계를 보이며, 학습된 RBFN 프로젝터가 백본 표현 품질의 신뢰할 수 있는 대리(proxy) 지표로 작용할 수 있음을 보여준다. 또한 표현 학습에 대한 재현 가능한 연구를 촉진하기 위해 Google Open Images V7을 기반으로 한 새로운 PyTorch 호환 이미지 분류 데이터셋을 공개한다.

arXiv:2608.12587v2q-fin.MF공통 태그 option pricing

DYSANOS: 동적이고 매끄러우며 차익거래가 없는 비모수적 생성 옵션 표면

DYSANOS Generative Dynamic Smooth Arbitrage-free Non-parametric Option Surfaces

본 논문은 정적 차익거래(static arbitrage)가 없으며 모든 행사가격과 만기에 대해 매끄러운 SANOS 옵션 표면을 생성하는 최초의 시장 모델(market model)인 DYSANOS를 제시합니다. 본 모델은 향후 수년간의 일별 기초자산 가격과 옵션 가격의 전체 경로를 생성하도록 설계되었습니다. 저자들은 다소 단순할 수 있지만 견고하고 유용한 기준선(baseline)으로서 AR(1) 형태의 모델을 제시합니다. 모델 설정, 데이터 파이프라인 및 학습을 논의하고 시장 재구성, 안정성, 꼬리 위험(tail behavior) 특성을 조사합니다. 2022년 1월 3일부터 2025년 8월 29일까지의 Option Metrics IvyDB S&P Index 표면 891개에 대한 모델 성능을 실증합니다. 또한 위험중립밀도(risk-neutral density)를 수치적으로 구성하는 방법을 제시합니다. 그 일환으로 주어진 측도 하에서 조건부 평균이 0인지 확인하는 새로운 검정법을 개발합니다. 100,000개의 시뮬레이션 경로에 대해 48개 옵션과 기초자산으로 구성된 거래 유니버스가 수치적으로 동적 차익거래가 없음을 보여줍니다.

arXiv:2606.14739v2cs.ET공통 태그 radial basis function

엣지 분류기를 위한 RRAM 기반 방사 기저 함수 뉴런 하드웨어 구현

An RRAM-based Hardware Implementation of a Radial Basis Function Neuron for Edge Classifiers

자원이 제한된 엣지 기기에 최신 머신러닝(ML) 솔루션을 배포하는 과정에서는 다양한 구현상의 과제가 부각됩니다. 이는 자율 주행 작업과 같이 안전이 중요한 요소를 포함하는 극한의 엣지 애플리케이션에서 특히 두드러집니다. 본 논문에서는 엣지 환경에서 거리(metric) 기반 분류 및 온라인 적응을 수행하기 위한 효율적인 하드웨어 기판으로서 금속 산화물 저항변화메모리(RRAM) 기반 아날로그 연관 메모리(ACAM)를 활용한 인공 신경망(ANN) 설계를 선보입니다. 제안된 설계는 ACAM 모듈을 구축하는 데 사용되는 커스텀 템플릿 픽셀(TXL) 셀을 기반으로 하며, 각 TXL 셀은 설정 가능한 수용야(receptive field) 뉴런 역할을 합니다. 이 셀들은 방사 기저 활성화 함수(RBF)를 사용하여 프로그래밍된 수용야와 입력 간의 거리를 계산합니다. TXL은 고차원 입력과 저장된 모든 프로토타입 간의 거리를 계산하기 위해 고집적 배열로 구성될 수 있어, 빠르고 에너지 효율적인 유사도 검색을 효과적으로 수행합니다. 이 하드웨어 엔진은 도메인 변화(domain shift)를 추적하도록 수용야 파라미터를 튜닝할 수 있는 실시간(on-the-fly) 학습을 가능하게 합니다. 제안된 TXL-RBF 분류기 시뮬레이션을 통해 10MHz에서 동작할 때 셀당 연산당 185fJ를 소비하면서 MNIST 데이터셋에서 89.1%의 정확도를 달성할 수 있음을 보입니다.

arXiv:2603.19561v2math.NA공통 태그 physics-informed neural network

이중 네트워크 다공성 매체에서의 유체 흐름을 위한 적응형 머신러닝 프레임워크

An Adaptive Machine Learning Framework for Fluid Flow in Dual-Network Porous Media

다공성 재료—자연적이거나 인공적인—는 광물 탐험 및 타이트 셰일에서의 탄화수소 회수와 같은 과정을 지배하는 이중 기공 네트워크 구조를 종종 나타낸다. 이중 다공성/투과성(double porosity/permeability, DPP) 수학 모델은 상호작용하는 두 기 pore 네트워크를 통한 비압축성 유체 흐름과 네트워크 간 질량 교환을 기술한다. 수치 방법에서 상당한 진전이 있었음에도, 신속한 예측, 데이터 동화, 그리고 신뢰할 수 있는 역해석을 가능하게 하는 계산 프레임워크에 대한 필요가 남아 있다. 이를 위해 DPP 계의 순방향 및 역모델링을 위한 물리 정보 신경망(PINN) 프레임워크를 제시한다. 제안된 접근법은 지배 방정식을 혼합 형식으로, 경계 조건과 함께, 손실 함수에 직접 인코딩하며, 각 항의 기여를 균형시키기 위한 적응형 가중치 전략을 사용한다. 프레임워크의 핵심 특징으로는 적응형 가중치 조정, 동적 collocation point 선택, 이중 기공 네트워크의 결합 거동을 효율적으로 포착하기 위한 공유 trunk 신경망 구조의 사용이 포함된다. 이 방법은 본질적으로 mesh-free이며, 다공성 매체에서 흔한 복잡한 기하에 잘 맞다. 층상 영역에서 해 필드의 불연속성을, 고전적 유한요소 formulation에서 흔히 관찰되는 spurious oscillation을 도입하지 않고 정확히 포착한다. 중요하게, 이 프레임워크는 역해석에 잘 적합하여, DPP 모델의 질량 전달 계수와 같이 핵심 물리량을 직접 측정하기 어려운 시나리오에서 견고한 매개변수 식별을 가능하게 한다. 또한 방법의 안정성, 정확도, 신뢰성을 엄밀히 평가하기 위한 체계적인 수렴 분석을 제공한다. 접근법의 효과와 계산상 이점은 일련의 대표적인 수치 실험을 통해 입증된다.

arXiv:2506.21306v2math.NA공통 태그 option pricing

심층 가중 다항식을 이용한 비대칭 성장·감쇠 함수의 균등 근사

Uniform Approximation of Functions with Asymmetric Growth and Decay by Deep Weighted Polynomials

실수축 한쪽에서는 무한대로 성장하고 다른 쪽에서는 0으로 감쇠하는 함수들은 무한 영역에서 일반 다항식으로 균등 근사할 수 없다. 고전적 가중 다항식 근사에서 영감을 받아, 이러한 비대칭 목표 함수에 대해 편측 가중 \emph{deep}(복합) 다항식 근사자 클래스를 도입한다. 가중치는 감쇠하는 쪽에서의 다항식 성장을 억제하는 반면, 복합 다항식은 다른 쪽의 성장을 포착할 자유를 유지한다. 우리는 이 메커니즘이 반무한축 근사 문제를 차수에 따라 천천히 증가하는 길이의 콤팩트 구간에서의 근사로 환원함을 증명하고, 모델 클래스의 적절한 닫힘(closure)에서 최적 근사자의 밀도와 존재를 확립한다. 계산을 위해, 우선 \emph{deep} 가중 다항식 근사를 위한 학습 가능한 계산 그래프로 이 방법을 공식화한다. 그러나 직접적인 end-to-end 최적화는 높은 복합 차수에서 점점 더 ill-conditioned해지며 국소 최소값(local minima)에 빠질 수 있다. 이를 해결하기 위해, 단조 다항식 자기사상(monotone polynomial self-maps)의 고정된 내부 합성이 유효 차수를 제공하고 바깥쪽 다항식과 가중치 매개변수만 학습하는 미세조정 절차를 도입한다. 바깥쪽 적합은 선형 계획법(linear program)으로 환원된다. Black--Scholes 옵션 가격 함수에 대한 수치 실험에서, 그 결과로 얻은 미세조정된 가중 \emph{deep} 다항식은 동일 예산의 다항식 기준선(baseline)보다 더 작은 균등 오차와 \(L_2\) 오차를 달성하며, 감쇠 꼬리를 기계 정밀도까지 해결한다.

arXiv:2607.05489v1gr-qc공통 태그 physics-informed neural network

블랙홀 블랙 박스: AInstein 신경망을 통한 수치적 블랙홀 계량

Black Hole Black Boxes: Numerical Black Hole Metrics via AInstein Neural Networks

AInstein 아키텍처는 임의의 다양체(manifold) 위에서 리만(Riemannian) 아인슈타인 방정식을 푸는 비지도(unsupervised) 신경망 방법을 도입했다. 이 물리 정보 신경망(PINN, Physics Informed Neural Network) 접근법을 본 연구에서는 로런츠(Lorentzian) 부호로 확장하고, 최대 확장 슈바르츠실트(Schwarzschild) 기하학 복원을 통해 검증하며, 임의의 블랙홀 해를 탐색하는 새로운 방법으로서 테스트한다. 위상(topology)은 $S^{2}$를 표준 임베딩(embedding)을 통해 전역적으로 처리하는 방식으로 아키텍처에 내장되어, 신경망이 다양체 $\mathbb{R}^{2} \times \mathbb{R}^{3}$ 위의 앰비언트 계량(ambient metric)을 학습하도록 한다. 여기서 $\mathbb{R}^2$에는 펜로즈(Penrose) 좌표가 사용되며, $S^{2}$ 위의 계량은 당김(pullback)을 통해 얻어진다. 아키텍처는 먼저 진공 아인슈타인 방정식, 이차 바일(Weyl) 스칼라 제약, 그리고 결과 계량의 $SO(3)$ 대칭을 인코딩하는 손실 함수를 목적으로 하여 슈바르츠실트 계량을 복원하도록 학습되는데, 이는 비르코프-옙센(Birkhoff--Jebsen) 정리에 직접적으로 동기를 받은 것이다. 이후 목적 함수는 페트로프(Petrov) 특수성 지수, 지평선 곡률 앵커(horizon curvature anchor), 갇힌 면(trapped-surface) 제약을 사용하도록 일반화되어 대수적으로 일반적인 페트로프 유형 I(Petrov type I) 해를 탐색할 수 있게 하며, 진정으로 갇힌 내부를 지닌 잠재적으로 새로운 일반 유형의 로런츠 아인슈타인 계량을 발견한다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.