公開 2026年4月
PythonライブラリJAXのXVA計量への応用
Published: April 2026
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のための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、ここでは実際にXVA計算につながる応用例を示す。
JAX is a Python library for array operations and automatic differentiation that can utilize not only CPUs but also accelerators such as 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; here, we present an application example that actually leads to XVA calculations.
Python-JAXによるXVA高速化 Accelerating XVA with Python-JAX
公開 2025年10月
SABR ベータも含めたキャリブレーションの効果
Published: October 2025
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。
Because β (beta) and ρ (rho) affect the volatility smile in similar ways, β is usually fixed during calibration. We examined whether also calibrating β improves accuracy.
SABR calibration including beta estimation
公開 2025年9月
SABR近似式による裁定可能ケース再確認
Published: September 2025
Re-examination of An Arbitrage Case 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 a case where arbitrage is actually possible.
A case arbitrageable under the SABR Hagan approximation
公開 2022年10月
DNNの効果検証
Published: October 2022
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る。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 arbitrage-free SABR model, where training data was generated using a GPU.