American Options Pricing under Heston Model via Curriculum Learning in Coupled PINNs
通过课程学习与耦合 PINN 为 Heston 模型下的美式期权定价AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确研究美式期权定价，并以 Heston 随机波动率模型为核心设定，直接对应资产定价与波动率方向。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
通过课程学习与耦合 PINN 为 Heston 模型下的美式期权定价
- 研究问题
- 在 Heston 随机波动率模型下，如何同时计算美式期权价格与随时间变化的提前行权边界，并改善神经网络训练的稳定性？
- 方法与思路
- 作者用耦合物理信息神经网络分别预测期权价格与自由边界，结合课程学习和自适应重采样求解对应的定价偏微分方程。
- 材料陈述的贡献
- 摘要称所提训练框架能稳定求解，并在数值实验中表现出有效定价、快速推断与准确估计的能力，但没有提供具体性能数值。
- 阅读关注点
- 应核对自由边界与提前行权约束如何实现、训练课程和重采样规则，以及相对数值基准的误差、成本和参数外推表现。
- 阅读边界
- 这是 arXiv 预印本，同行评审与接收未核实；摘要未说明基准方法、测试范围或误差指标，不能据此确认普遍效率优势。
原文摘要
In American options, the early exercise feature allows the option to be exercised at any time prior to expiration. However, this flexibility introduces a challenge: the pricing model must value the option while simultaneously determining an unknown, time-varying exercise boundary. The Heston model is one of the most popular ways to model real market behavior because it allows volatility to change over time. However, unlike European options, there is no closed-form solution for American options under the Heston model, so we have to use numerical methods. In this paper, we propose a novel approach to solving the stochastic Heston partial differential equation for American options, using coupled physics-informed neural networks (PINNs) to predict both the option price and the free boundary, while employing curriculum learning and adaptive resampling to stabilize model training. Our work builds on recent deep learning methods but introduces a more effective training strategy to address the limitations of these approaches. The numerical results demonstrate the effectiveness of the proposed learning framework, providing a robust and efficient alternative to pricing American options, enabling rapid inference and accurate estimation under stochastic volatility.