数字期权的多层路径分支方法
Multilevel Path Branching for Digital Options
AI总结：
本文提出一种基于重复路径分裂的数字期权蒙特卡洛估计器，利用共享布朗路径的相关性，并与多层蒙特卡洛结合，使计算复杂度达到与Lipschitz收益期权MLMC相近的水平。
摘要：
我们针对标的资产由随机微分方程（SDE）建模的数字期权，提出一种新的基于蒙特卡洛的估计器。该新估计器基于重复路径分裂，并依赖于共享部分布朗路径的底层SDE近似路径之间的相关性。将该新估计器与多层蒙特卡洛（MLMC）相结合，可得到一种计算复杂度与应用于具有Lipschitz收益的期权时的MLMC估计器复杂度相近的估计器。本预印本包含详细计算和证明（以灰色显示），这些内容未经同行评审，也未包含在已发表的文章中。
英文摘要：
We propose a new Monte Carlo-based estimator for digital options with assets modelled by a stochastic differential equation (SDE). The new estimator is based on repeated path splitting and relies on the correlation of approximate paths of the underlying SDE that share parts of a Brownian path. Combining this new estimator with Multilevel Monte Carlo (MLMC) leads to an estimator with a computational complexity that is similar to the complexity of a MLMC estimator when applied to options with Lipschitz payoffs. This preprint includes detailed calculations and proofs (in grey colour) which are not peer-reviewed and not included in the published article.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
