一种用于博弈期权定价的两步 Longstaff Schwartz 蒙特卡洛方法
A Two-Step Longstaff Schwartz Monte Carlo Approach to Game Option Pricing
AI总结：
本文针对博弈期权定价提出一种在每个时间步拟合两个回归模型的两步 LSMC 方法，以克服原始 LSMC 的缺陷，并通过数值实验证明其比原始方法更可靠。
摘要：
我们提出了一种两步 Longstaff Schwartz 蒙特卡洛（LSMC）方法，该方法在每个时间步拟合两个回归模型，用于博弈期权定价。尽管原始 LSMC 可以通过扩大回归中的路径范围并修改现金流更新规则来为博弈期权定价，但我们发现了这种方法的缺陷，这促使我们提出了自己的方法。我们使用二叉树和数值偏微分方程作为基准实现了数值示例，结果表明，与原始 LSMC 相比，我们的方法能产生更可靠的结果。
英文摘要：
We proposed a two-step Longstaff Schwartz Monte Carlo (LSMC) method with two regression models fitted at each time step to price game options. Although the original LSMC can be used to price game options with an enlarged range of path in regression and a modified cashflow updating rule, we identified a drawback of such approach, which motivated us to propose our approach. We implemented numerical examples with benchmarks using binomial tree and numerical PDE, and it showed that our method produces more reliable results comparing to the original LSMC.
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。
