我们已经证明了我们的算法对于神经网络和蒙特卡罗近似的理论收敛性。我们的数值实验表明，使用我们的方法计算的价格与标准Longstaff-Schwartz算法得到的价格非常相似。毫不奇怪，使用神经网络对低维问题没有多大帮助，但对高维问题的扩展性要好得多，因为它不像多项式回归那样遭受维数灾难。多项式回归需要相对较高的阶数才能提供准确的价格，这在高维问题中是不可行的。神经网络的逼近能力似乎更好，相对较小的网络已经提供了非常精确的结果。事实上，没有隐藏层的少数神经元足以得到非常准确的价格。训练无线网络通常需要对整个数据集进行多次传递。然而，在我们的示例中，这似乎非常无用，主要是因为continuationfunction的函数表示不应该随时间而有太大变化。因此，一旦神经网络经过良好训练，只需对数据进行一次传递（epochs=1），就足以在新的日期对网络进行拟合。这节省了大量计算时间。神经网络已被证明是计算百慕大期权价格的一种非常通用和有效的工具，尤其是当问题高度非线性时。参考资料M。Abadi、A.Agarwal、P.Barham、E.Brevdo、Z.Chen、C.Citro、G.S.Corrado、A.Davis、J.Dean、M.Devin、S.Ghemawat、I.Goodfello、A.Harp、G.Irving、M.Isard、Y.Jia、R.Jozefowicz、L.Kaiser、M.Kudlur、J.Levenberg、D.Mane、R.Monga、S.Moore、D.Murray、C.Olah、M.Schuster、J.Shlens、B.Steiner、I.Sutskek Ver、K.Talwar、P.Tucker、V.Vanhoucke、V.Vasudevan、F.Viégas、O.Vinyals、，P.Warden、M.Wattenberg、M.Wicke、Y.Yu和X。

郑。TensorFlow：《异构系统上的大规模机器学习》，2015年。统一资源定位地址http://tensorflow.org/.tensor Flow提供的软件。组织。F、 阿尔贝蒂尼和E.D.桑塔格。递归网络权值的唯一性。数学研究，79:599–5991994。F、 阿尔贝蒂尼、桑塔格和梅洛特。神经网络权值的唯一性。Arti ficial Neural Networks for Speech and Vision，第115–125页，1993年。五、 I.阿诺德。关于三个变量的函数。作品集：《函数的表示、天体力学和KAM理论》，1957-1965年，第5-8页，2009年。五、 Bally和G.Pages。一种求解多维离散时间最优停止问题的量化算法。伯努利，9（6）：1003–10492003。S、 Becker、P.Cheridito和A.Jentzen。深度最佳停车。机器学习研究杂志，20（74）：1–252019a。S、 Becker、P.Cheridito、A.Jentzen和T.Welti。使用深度学习解决高维最优停止问题，2019b。五十、 Bottou、F.E.Curtis和J.Nocedal。大规模机器学习的优化方法。《暹罗评论》，60（2）：223–3112018。B、 Bouchard和X.Warin。蒙特卡罗美式期权估价：事实和改进现有方法的新算法。R.A.Carmona、P.Del Moral、P.Hu和N.Oudjane，《金融中的数值方法》，编辑，《斯普林格数学学报》第12卷，第215-255页。施普林格柏林海德堡，2012年。M、 Broadie和P.Glasserman。高维美式期权定价的随机网格方法。《计算金融杂志》，2004年7:35–72。A、 L.Bronstein、G.Pagès和J.Portès.多资产美式期权和平行量化。《应用概率的方法和计算》，15（3）：547–5612013。J、 F.卡里雷。使用模拟和非参数回归对期权的早期行权价格进行估值。《保险：数学与经济学》，19（1）：19–30，1996年。E

Clément、D.Lamberton和P.Protter。美国期权定价的最小二乘回归方法分析。《金融与随机》，6（4）：449–4712002年。J、 考克斯、S.罗斯和M.鲁宾斯坦。期权定价：一种简化的方法。《金融经济学杂志》（Journal of FinancialEconomics），（7）：229–2631979。G、 Cybenko。通过S形函数的叠加进行近似。《控制、信号和系统数学》，2（4）：303–3141989年12月。W、 E、C.Ma、S.Wojtowytsch和L.Wu。对基于神经网络的机器学习的数学理解：我们知道什么和我们不知道什么，2020年。F、 Fang和C.W.Oosterlee。利用傅立叶余弦展开法对早期行使和离散障碍期权进行定价。Numerische Mathematik，114（1）：27，2009年。B、 费尔曼、B.盖斯和A.詹森。非凸目标函数的随机梯度下降法的收敛速度。机器学习研究杂志，21（136）：1-482020。S、 Ghadimi和G.Lan。非凸随机规划的随机一阶和零阶方法。《暹罗优化杂志》，23（4）：2341–23682013。P、 Glasserman和B.Yu。美国期权定价中的路径数与基函数数。《应用概率年鉴》，14（4）：2090–21192004。E、 Gobet、J.Lemor和X.Warin。求解后向随机微分方程的基于回归的蒙特卡罗方法。《应用概率年鉴》，15（3）：2172–2202202202005。五十、 Goudenège、A.Molent和A.Zanette。方差缩减应用于机器学习，用于高维百慕大/美式期权定价。arXiv预印本arXiv:1903.112752019。M、 B.Haugh和L.Kogan。美式期权定价：双重方法。运筹学，52（2）：258–270，2004年。K、 霍尼克。多层前馈网络的逼近能力。神经网络，4（2）：251–2571991。M、 科勒、A.Krzy˙zak和N.Todorovic。

高维美式期权的神经网络定价。《数学金融：国际数学、统计和金融经济学杂志》，20（3）：383–410，2010年。A、 科尔莫戈罗夫。关于将多个变量的连续函数表示为较少变量函数的叠加。在苏联。数学Dokl，第108卷，第179–182页，1956年。M、 Ledoux和M.Talagrand。《Banach空间中的概率》，Ergebnisse der Mathematik and ihrer Grenzebiete（3）[数学和相关领域的结果（3）]第23卷。柏林Springerlag，1991年。ISBN 3-540-52013-9。等周测量和过程。Y、 Lei、T.Hu、G.Li和K.Tang。无边界梯度假设的非凸学习的随机梯度下降。IEEE神经网络和学习系统学报，2019年。F、 Longstaff和R.Schwartz。通过模拟评估美式期权：一种简单的最小二乘法。《金融研究回顾》，14:113–1472001。R、 Lord、F.Fang、F.Bervoets和C.W.Oosterlee。一种快速准确的基于fft的lévy过程下早期行权期权定价方法。暹罗科学计算杂志，30（4）：1678–17052008。G、 Pagès.《数字概率：金融应用导论》。Springer，2018年。内政部：10.1007/978-3-319-90276-0。F、 佩德雷戈萨、G.瓦罗夸克斯、A.格拉姆福特、V.米歇尔、B.蒂里翁、O.格里塞尔、M.布隆德尔、P.普雷滕霍夫、R.维斯、V.杜堡、J.范德普拉斯、A.帕索斯、D.库尔纳佩、M.布鲁彻、M.佩罗和E.杜切斯内。Scikit学习：Python中的机器学习。《机器学习研究杂志》，12:2825–2830，2011年。A、 平库斯。神经网络中mlp模型的近似理论。《数字学报》，8:143–1951999年。R、 鲁宾斯坦和夏皮罗。离散事件系统。概率与数理统计：概率与数理统计。约翰·威利父子有限公司，奇切斯特，1993年。

ISBN 0-471-93419-4。用核心函数法进行灵敏度分析和随机优化。J、 A.蒂利。在路径模拟模型中评估美式期权。《实时学会学报》，45（83）：1041993年。J、 齐齐克利斯和B·V·罗伊。复杂美式期权定价的回归方法。IEEE Trans。神经网络。，12(4):694–703, 2001.R、 C.Williamson和U.Helmke。神经网络逼近的存在性和唯一性结果。IEEE神经网络学报，6（1）：2–131995。