公開 2026年4月 Published: April 2026
PythonライブラリJAXのXVA計量への応用 Application of the Python Library JAX to XVA Quantification
JAXはCPUだけではなくGPUやTPU等のアクセラレータを利用可能な配列演算や自動微分ためのPythonライブラリであり、高性能数値計算と大規模機械学習向けに設計されている。 配列演算はCVAやFVAの計算で必要な多次元演算を意味し、XVA計算への応用可能と思われる。
JAX is a Python library for array operations and automatic differentiation that can utilize not only CPUs but also accelerators like GPUs and TPUs. It is designed for high-performance numerical computation and large-scale machine learning. Array operations refer to the multidimensional computations required for CVA and FVA calculations, and it is thought to be applicable to XVA computations.
Python-JAXによるXVA高速化 Accelerating XVA with Python-JAX
公開 2025年10月 Published: October 2025
SABR ベータも含めたキャリブレーションの効果 Effect of Calibration Including SABR Beta
SABRのパラメータβ（ベータ）とρ（ロー）は、それぞれ変化時のボラティリティの挙動が近いため、一般的にはβを固定してキャリブレーションが行われていると思われる。
βもキャリブレーションの対象とした場合、キャリブレーションの精度が向上するかを検証した。
The SABR parameters β (beta) and ρ (rho) are generally calibrated with β fixed, as their volatility behavior during changes is similar. We verified whether calibration accuracy improves when β is also included in the calibration.
SABR calibration including beta estimation
公開 2025年9月 Published: September 2025
SABR近似式による裁定可能ケース再確認 Re-examination of Arbitrage Cases Using SABR Approximation Formulas
SABR Hagan近似では条件によっては確率密度がマイナスとなり、無裁定が保証されないことが知られている。ここでは実際に裁定可能となるケースを試行する。
It is known that under certain conditions, the probability density may become negative in the SABR Hagan approximation, and arbitrage may not be guaranteed. Here, we test cases where arbitrage is actually possible.
Cases arbitrageable under the SABR Hagan approximation
公開 2022年10月 Published: October 2022
DNNの効果検証 Effectiveness Verification of DNN
ニューラルネットワークの普遍近似定理（万能近似定理）に基づきディープニューラルネットワークで関数近似を行い、その効果を検証する。
ディープニューラルネットワークの利用は、リスク計量やヘッジ計算、ALM等幅広い応用が期待できます。以下リンクでは教師データをGPUで生成し、無裁定となるSABRモデルの関数近似機能をプロトタイプした結果を掲載した。
ディープニューラルネットワークとGPUを用い た無裁定SABR
Based on the Universal Approximation Theorem for neural networks, we perform function approximation using deep neural networks and verify its effectiveness. Deep neural networks hold promise for a wide range of applications, including risk measurement, hedge calculations, and ALM. The link below presents results from prototyping the function approximation capability of the risk-free SABR model, where training data was generated using a GPU.Please follow the link provided below.