英文标题：
《Remarks on stochastic automatic adjoint differentiation and financial
models calibration》
---
作者：
Dmitri Goloubentsev, Evgeny Lakshtanov
---
最新提交年份：
2019
---
英文摘要：
In this work, we discuss the Automatic Adjoint Differentiation (AAD) for functions of the form $G=\\frac{1}{2}\\sum_1^m (Ey_i-C_i)^2$, which often appear in the calibration of stochastic models. { We demonstrate that it allows a perfect SIMD\\footnote{Single Input Multiple Data} parallelization and provide its relative computational cost. In addition we demonstrate that this theoretical result is in concordance with numeric experiments.}
---
中文摘要：
在这项工作中，我们讨论了形式为$G=\\ frac{1}{2}\\ sum\\u 1 ^ m（Ey\\u i-C\\u i）^ 2$的函数的自动伴随微分（AAD），这通常出现在随机模型的校准中。{我们证明它允许完美的SIMD脚注{单输入多数据}并行化，并提供其相对计算成本。此外，我们还证明了这个理论结果与数值实验是一致的
---
分类信息：

一级分类：Quantitative Finance 数量金融学
二级分类：Computational Finance 计算金融学
分类描述：Computational methods, including Monte Carlo, PDE, lattice and other numerical methods with applications to financial modeling
计算方法，包括蒙特卡罗，偏微分方程，格子和其他数值方法，并应用于金融建模
--

---
PDF下载：
-->