Tag Méthodes numériques

Cet article propose un nouveau modèle pour simuler et analyser les carnets d'ordres limite (LOB) « sparses », avec une application spécifique au marché intra journalier européen de l'électricité. Dans les marchés ...

Les auteurs développent plusieurs algorithmes numériques d'apprentissage profond pour des systèmes couplés de type forward-backward d’équations différentielles stochastiques à sauts. Pour évaluer la performance de solveurs, plusieurs expériences numériques sont ...

Nous cherchons à résoudre des équations aux dérivées partielles (EDPs) impliquées dans la couverture des risques lorsque l'environnement n'est pas stationnaire. Re-calibrer un modèle de facteurs de risque ou ré-entraîner un modèle ...

Nous présentons trois nouveaux modèles génératifs pour les séries temporelles reposant sur une discrétisation d'Euler d'équations différentielles stochastiques (EDS). Deux de ces méthodes reposent sur l'adaptation des réseaux adversaires génératifs ...

Ce travail établit de manière stochastique le lien entre les EDP de 2nd ordre dans l'espace de Wasserstein de type master equation   et  une approximation particlaire donnant des EDP du second ordre classiques ...

Ce travail constitue un développement des méthodes de machine learning pour la résolution des EDP en grande dimension (comme celles qui apparaissent, par exemple, dans les modèles de jeux à champ moyen avec un ...

We develop multistep machine learning schemes for solving nonlinear partial differential equations (PDEs) in high dimension. The method is based on probabilistic representation of PDEs by backward stochastic differential equations ...

This paper revisits the problem of computing empirical cumulative distribution functions (ECDF) efficiently on large, multivariate datasets. Computing an ECDF at one evaluation point requires O(N) operations on a dataset ...

We propose several algorithms to solve McKean-Vlasov Forward Backward Stochastic Differential Equations. Our schemes rely on the approximating power of neural networks to estimate the solution or its gradient through ...

We propose a numerical method for solving high dimensional fully nonlinear partial differential equations (PDEs). Our algorithm estimates simultaneously by backward time induction the solution and its gradient by multi-layer ...