Inconvenientes teóricos y prácticos del uso del Deep Learning para la calibración y la fijación de precios

Question

Estoy investigando la idoneidad de utilizar el aprendizaje profundo para la fijación de precios y la calibración de toda la superficie de volatilidad implícita. Estos ejemplos de su aplicación se encuentran en documentos aquí y aquí . Durante los ejemplos, estos últimos lograron la tarea de calibración en apenas milisegundos, lo que supuso órdenes de magnitud más rápidos que las aproximaciones numéricas y los métodos monte carlo.

Sin embargo, me preguntaba cuáles podrían ser algunos de los inconvenientes de usar Deep Learning para esta tarea, y si había algún artículo o investigación que destacara este tema. El último artículo citaba "cálculos engorrosos" durante el entrenamiento, pero me preguntaba si había algún inconveniente relacionado, quizás, con la arquitectura de las redes de DL también.

Answer 1

La esencia del problema es el problema de "sesgo-varianza" en el aprendizaje automático. Que puedes consultar en la wiki (o encontrar docenas de artículos al respecto; es un tema famoso).

Se puede, con una complejidad cada vez mayor, crear un modelo que explique cada vez mejor la historia. Pero los "atajos" que utiliza para ello pueden sacrificar su capacidad de prever datos nuevos y no vistos. El modelo debe ser más incierto y estar más preparado para permitir que los errores históricos eviten el exceso de confianza y reduzcan las posibilidades de los futuros.

Es el mismo problema, pero con una tecnología más reciente, que el infame problema de "las pruebas retrospectivas dejan de funcionar una vez que el producto estructurado se pone en marcha" que ha perseguido a las finanzas durante décadas. Los modelos no están "optimizados", sino que están "sobreoptimizados" (para el pasado, y por tanto infraoptimizados para el futuro).

Si el aprendizaje superficial no puede resolver el problema, no se deduce que el problema pueda ser resuelto. Aplicar un aprendizaje más y más y más profundo hasta que puedas resolver la parte del problema que tienes en tu muestra es sólo un engaño ultrasofisticado. Y el jefe que te paga la prima no entiende el modelo de todos modos, así que mientras el producto se venda bien, ambos seguiréis cobrando.

Esto, aunque expresado de forma muy directa, es un problema mucho mayor que discutir sobre los hiperparámetros de este o aquel modelo. Ambos torturarán los datos para obligarlos a "confesar" que el ruido es señal si así lo desean...

Espero que esto ayude, DEM

Answer 2

El aprendizaje profundo tiene el inconveniente de que puede tardar mucho tiempo en entrenarse. En la aplicación, si las condiciones del mercado cambian, siempre se pueden utilizar datos futuros del mercado que aún no han ocurrido para alimentar el modelo y obtener una ventaja. Probado por la filtración $F_{t}$ .