Deep Learning and Nonlinear PDEs in High-Dimensional Spaces

Rossini, Eugenio (2018) Deep Learning and Nonlinear PDEs in High-Dimensional Spaces. [Laurea magistrale], Università di Bologna, Corso di Studio in Matematica [LM-DM270]
Documenti full-text disponibili:
[img] Documento PDF (Thesis)
Disponibile con Licenza: Creative Commons: Attribuzione - Non commerciale - Non opere derivate 3.0 (CC BY-NC-ND 3.0)

Download (1MB)

Abstract

Questa tesi è incentrata sull'analisi di un algoritmo che permette di approssimare una soluzione per PDE ad alta dimensionalità. Tale algoritmo utilizza le nuove tecniche sviluppate in ambito della teoria delle Reti Neurali (Deep Learning) per affrontare un problema di difficile risoluzione. Il problema principale che affligge i modelli governati da PDE semilineari paraboliche in dimensione 100 prende il nome di "maledizione della dimensionalità". Questo non permette di utilizzare algoritmi deterministici come Galerkin o Elementi Finiti, poichè il costo computazionale cresce esponenzialmente rispetto alla dimensione del problema. La non linearità invece rende impossibile l'utilizzo di metodi probabilistici di tipo Monte Carlo. L'introduzione di algoritmi di Machine Learning permette di superare questi problemi con facilità e con ottimi risultati. Le performance di questo algoritmo sono state testate su un problema pratico di finanza matematica: la risoluzione dell'equazione di Black e Scholes per il prezzo delle opzioni Europee con rischio di default.

Abstract
Tipologia del documento
Tesi di laurea (Laurea magistrale)
Autore della tesi
Rossini, Eugenio
Relatore della tesi
Correlatore della tesi
Scuola
Corso di studio
Indirizzo
Curriculum A: Generale e applicativo
Ordinamento Cds
DM270
Parole chiave
deep learning machine learning stochastic differential equation backward stochastic differential equation Faynman-Kac formula Black-Scholes option pricing curse of dimensionality nonlinear PDEs dimensionality problem multilayer neural network
Data di discussione della Tesi
26 Ottobre 2018
URI

Altri metadati

Statistica sui download

Gestione del documento: Visualizza il documento

^