Neues Deep‑Learning-Verfahren löst McKean‑Vlasov‑SDEs mit gemeinsamer Störung

Wissenschaftler haben ein innovatives Verfahren entwickelt, das McKean‑Vlasov‑Vorwärts‑Rückwärts‑stochastische Differentialgleichungen (MV‑FBSDEs) mit gemeinsamer Störung effizient löst. Durch die Kombination von Picard‑Iteration, Elicitability und Deep Learning entsteht ein Pfad‑weise Verlustfunktion, die das Training neuronaler Netze stark beschleunigt und die Notwendigkeit teurer verschachtelter Monte‑Carlo‑Simulationen eliminiert.

Der Mean‑Field‑Interaktionsbegriff wird dabei mittels eines rekurrenten neuronalen Netzwerks modelliert, das auf einem elicitable Score optimiert wird. Gleichzeitig approximiert ein Feedforward‑Netzwerk den Rückwärtsprozess als Decoupling‑Field. Diese Architektur ermöglicht die gleichzeitige Schätzung der Rückwärtslösung und der bedingten Erwartungen, die durch die gemeinsame Störung entstehen.

Die Methode wurde zunächst an einem Systemrisikomodell für Interbank‑Kreditvergabe getestet, bei dem analytische Lösungen bekannt sind. Die Ergebnisse zeigen eine präzise Rekonstruktion der wahren Lösung. Anschließend wurde das Modell auf quantilbasierte Interaktionen erweitert, wodurch die Flexibilität des Elicitability‑Ansatzes über Mittelwerte und Momente hinaus demonstriert wird.

Abschließend demonstriert die Anwendung auf ein nicht‑stationäres Aiyagari‑Bewley‑Huggett‑Wachstumsmodell mit endogenen Zinssätzen die Vielseitigkeit des Ansatzes. Damit eröffnet das Verfahren neue Möglichkeiten für die Lösung komplexer Mean‑Field‑Spiele, für die bislang keine geschlossene Lösung existiert.