44、切比雪夫样条与信用估值调整计算的计算节省策略

切比雪夫样条与信用估值调整计算的计算节省策略

1. 切比雪夫样条在无奇异点函数中的应用

在许多计算场景中,减少对给定函数的调用次数是一个关键需求。例如,信用估值调整(CCR)风险计算常常需要调用定价函数数十万甚至数百万次。切比雪夫张量(CT)在这类计算中的一个主要优势在于,通过较少的函数调用次数就能达到较高的精度。

然而,有时还需要进一步减少函数调用次数,这时切比雪夫样条就派上了用场。通过在近似域中引入节点来构建切比雪夫样条,可以进一步减少函数调用次数。

以布莱克 - 斯科尔斯定价函数在到期时间较短的情况下为例。随着到期时间的缩短,布莱克 - 斯科尔斯定价函数在执行价格附近的曲率会变得更加明显。如果在到期时间超过一年时,通常沿期权标的维度需要 10 个切比雪夫点才能达到 10⁻⁴ 的精度,那么当到期时间缩短到只有几天时,可能需要大幅增加切比雪夫点的数量。尽管在到期前几天,布莱克 - 斯科尔斯函数仍然是解析的,切比雪夫张量会呈指数收敛,但收敛速度比期权还有一年到期时要慢。因此,当期权接近到期时,可能需要 100 个切比雪夫点才能达到相同的精度,这就凸显了进一步减少函数调用次数的必要性。

为了进行说明,除了一个变量(即现货价格)外,其他所有变量都保持固定,从而得到一个一维函数进行近似。构建了两个近似对象:
- 第一个是全局或单一的切比雪夫张量(CT)。
- 第二个是由三个切比雪夫插值组成的样条,这意味着指定了两个节点。节点的位置根据函数的特性来选择。由于布莱克 - 斯科尔斯函数的大部分曲率集中在执行价格处,因此一个节点放置在执行价格之前,另一个放置在执行价格之后,这样可以将该区域隔离出来,用较少的点对函数的这部分进行高精度的切比雪夫插值。而函数

先展示下效果 https://pan.quark.cn/s/a4b39357ea24 遗传算法 - 简书 遗传算法的理论是根据达尔文进化论而设计出来的算法: 人类是朝着好的方向(最优解)进化,进化过程中,会自动选择优良基因,淘汰劣等基因。 遗传算法(英语:genetic algorithm (GA) )是计算数学中用于解决最佳化的搜索算法,是进化算法的一种。 进化算法最初是借鉴了进化生物学中的一些现象而发展起来的,这些现象包括遗传、突变、自然选择、杂交等。 搜索算法的共同特征为: 首先组成一组候选解 依据某些适应性条件测算这些候选解的适应度 根据适应度保留某些候选解,放弃其他候选解 对保留的候选解进行某些操作,生成新的候选解 遗传算法流程 遗传算法的一般步骤 my_fitness函数 评估每条染色体所对应个体的适应度 升序排列适应度评估值,选出 前 parent_number 个 个体作为 待选 parent 种群(适应度函数的值越小越好) 从 待选 parent 种群 中随机选择 2 个个体作为父方和母方。 抽取父母双方的染色体,进行交叉,产生 2 个子代。 (交叉概率) 对子代(parent + 生成的 child)的染色体进行变异。 (变异概率) 重复3,4,5步骤,直到新种群(parentnumber + childnumber)的产生。 循环以上步骤直至找到满意的解。 名词解释 交叉概率:两个个体进行交配的概率。 例如,交配概率为0.8,则80%的“夫妻”会生育后代。 变异概率:所有的基因中发生变异的占总体的比例。 GA函数 适应度函数 适应度函数由解决的问题决定。 举一个平方和的例子。 简单的平方和问题 求函数的最小值,其中每个变量的取值区间都是 [-1, ...
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值