Black-box calibration of interest rate models for the pricing of swaptions

In finance, pricing models represent the dynamics of interest rates and are used by financial institutions to price different financial instruments. A central consideration for any pricing model is the ability to calibrate the model to current market data, and a second important aspect is the speed with which that calibration can be performed. We propose a black-box calibration of interest rate models for swaption pricing using machine learning techniques. The advantages of the black-box approach over the traditional one are many, where the most important is the independence between the machine learning model and the interest rate model, so that the latter can be changed without any significant change in the former. The second advantage is the calibration speed, reduced from several seconds to milliseconds, achieved by offloading the computational intensive tasks to an offline training process while the online evaluation can be performed in a considerably shorter time. Then, we show how to optimize the intensive computation by moving the execution from the CPU to the GPU, achieving a considerable speedup.

In finanza, i modelli di pricing rappresentano le dinamiche dei tassi di interesse e sono utilizzati dalle istituzioni finanziarie per valutare diversi strumenti finanziari. Una considerazione centrale per qualsiasi modello di pricing è la capacità di calibrare il modello agli attuali dati di mercato e un secondo aspetto importante è la velocità con cui è possibile eseguire tale calibrazione. Proponiamo una calibrazione black-box di modelli di tassi di interesse per la valutazione di swaption utilizzando tecniche di machine learning. I vantaggi dell'approccio black-box rispetto a quello tradizionale sono molteplici, in cui il più importante è l'indipendenza tra il modello di apprendimento automatico e il modello di tasso di interesse, in modo che quest'ultimo possa essere modificato o sostituito senza alcun cambiamento significativo nel primo. Il secondo vantaggio è la velocità di calibrazione, ridotta dall'ordine di diversi secondi a millisecondi, ottenuta delegando le attività computazionali più onerose ad un processo di ottimizzazione che non viene eseguito in tempo reale, mentre la valutazione online può essere eseguita in un tempo notevolmente più breve. Quindi, mostriamo come ottimizzare i calcoli più critici spostando l'esecuzione dalla CPU alla GPU, ottenendo una notevole accelerazione.