我们打算在未来的研究中解决这个问题。我们在实验中使用的神经网络是按顺序实现的。鉴于定义神经网络行为的参数/变量结构，我们可以轻松开发神经网络的并行实现。并行实现可以显著缩短神经网络的训练时间，从而缩短神经网络框架的运行时间。我们计划在未来的工作中解决这个问题。虽然在本文中，我们没有深入研究拥有大量外部模拟场景的问题，但我们提出了一种可能的解决方案，通过数据插值来缓解此问题。在我们的实验中，为了减少模拟次数，由于描述 值，作为第一个简单的选择，我们建议使用分段线性插值来近似 价值观然而，我们的实验结果表明，使用更好的插值方法可以提高我们提出的用于嵌套模拟的神经网络方法的准确性。我们倾向于在未来的研究中研究插值方案的选择。在这篇关于神经网络方法的介绍性论文中，我们选择关注一个简单的金融市场模型，以使我们的分析更易于处理。然而，正如我们在第3节和第5节中所讨论的，该方法可以扩展到包含更复杂的金融市场模型。为了使用我们的神经网络方法获得最佳结果，我们需要研究一种有效的策略，利用代表金融市场各种状态的样本点的接近性，以减少神经网络的训练时间。

我们打算在今后的工作中研究这一点。在本文中，我们选择研究神经网络方法在负债估计方面的性能；然而，我们提出的方法的应用远比这更为普遍。特别是，可以改变保险产品的类型和用于评估单个保险产品的方法，并将其纳入我们的框架，以评估上述保险产品的大型投资组合的价值。确认本研究部分得到加拿大自然科学和工程研究委员会（NSERC）的支持。参考CEIOP、EIOPA关于Solvency II URL第五次定量影响研究（QIS5）的报告https://eiopa.europa.eu/Publications/Reports/QIS5_Report_Final.pdf.M.C.Christiansen，A.Niemeyer，《偿付能力II中偿付能力资本要求的基本定义》，ASTIN公告44（3）（2014）501–533。D、 Bauer，A.Reuss，D.Singer，《基于嵌套模拟的偿付能力资本要求计算》，ASTIN公告42（2012）453–499，ISSN 1783–1350。TGA，《可变年金——金融稳定性分析》，日内瓦协会URLhttps://www.genevaassociation.org/media/ga2013/99582-variable-annuities.pdf.S.A.Hejazi，K.R.Jackson，G.Gan，《大型可变年金投资组合有效估值的空间插值框架》，URLhttp://www.cs.toronto.edu/pub/reports/na/IME-Paper1.pdf，2015年。IRI，《2011年IRI概况》，保险退休机构。五十、 Girard，《利用公司资本成本对保险负债进行公平估值的方法》，北美精算杂志6（2002）18–41。R、 Dembo，D.Rosen，《投资组合复制的实践：正反问题的实践概述》，《运营研究年鉴》85（1999）267–284。J、 Oechslin，O.Aubry，M.Aellig，A.Kappeli，D.Bronnimann，A.Tandonnet，G。

Valois，《复制人寿保险单中的嵌入期权》，《人寿与养老金》（2007）47–52。S、 Daul，E.Vidal，《保险责任的复制》，RiskMetrics Journal9（1）（2009）79–96。M、 Cathcart，S.Morrison，《可变年金经济资本：租赁方蒙特卡罗方法》，人寿与养老金（2009）36–40。F、 Longstaff，E.Schwartz，《通过模拟评估美国期权：简单最小二乘法》，《金融研究评论》14（1）（2001）113–147。J、 Carriere，《利用模拟和非参数回归对期权的早期行使价格进行估价》，《保险：数学与经济学》19（1）（1996）19–30。G、 Gan，《数据聚类和机器学习在变量年率估值中的应用》，《保险：数学与经济学》53（3）（2013）795–801。G、 Gan，X.S.Lin，《嵌套模拟下大型可变年金投资组合的估值：函数数据方法》，《保险：数学与经济学》62（0）（2015）138–150。S、 A.Hejazi，K.R.Jackson，《大型可变年金投资组合有效估值的神经网络方法》，保险：数学与经济学70（2016）169–181。E、 A.Nadaraya，《估计回归、概率理论及其应用》9（1964）141–142。G、 S.Watson，《平滑回归分析》，Sankhy'a：《印度统计杂志》26（1964）359–372。S、 A.Hejazi，《大型蒸汽投资组合有效评估的神经网络方法》，多伦多大学博士论文，准备中，2016年。C、 M.Bishop，模式识别和机器学习（信息科学和统计学），Springer Verlag，NJ，USA，2006年。一、 Fister，P.N.Suganthan，S.M.Kamal，F.M.Al Marzouki，M.Perc，D.Strnad，《作为差异进化中局部搜索启发式前导码策略的人工神经网络回归》，非线性动力学84（2）（2016）895–914。S、 Boyd，L。

Vandenberghe，《凸优化》，剑桥大学出版社，纽约，美国，2004年。K、 P.Murphy，《机器学习：概率视角》，MITPress，2012年。Y、 Nesterov，一种求解收敛速度为O（1/sqrt（k））的凸规划问题的方法，苏联数学Doklady 27（2）（1983）372–376。一、 Sutskever，J.Martens，G.Dahl，G.Hinton，《深度学习中初始化和动量的重要性》，载于：第30届国际机器学习会议记录（ICML-13），第28卷，JMLRWorkshop和会议记录，1139-11472013。J、 C.赫尔、期权、期货和其他衍生品，皮尔逊·普伦蒂斯大厅，新泽西州上鞍河，第六版。，2006年。（a）通过神经网络框架和MC方法计算的估计一年负债值。（b） 通过神经网络方法和子区间各终点的MC模拟，对责任进行估计的差异直方图。（c） 通过神经网络方法和子区间各端点的MC模拟，估算责任的相对差异直方图（16）。图5：比较由拟议的神经网络框架和MCmethod计算的投入组合的一年负债值估计。