อธิบาย Snell Envelope และ Optimal Stopping

ให้ G_t เป็นรางวัลที่ปรับตามข้อมูลซึ่งได้รับเมื่อหยุดที่เวลา t โดยแสดงในหน่วยลดค่าเมื่อการประเมินมูลค่าต้องใช้

ที่เวลา t การตัดสินใจไม่ได้เป็นเพียงว่า G_t เป็นบวกหรือไม่ แต่คือมันมากกว่ามูลค่าตามเงื่อนไขของการรอด้วยข้อมูลในอนาคตชุดเดียวกันหรือไม่

มูลค่า optimal stopping คือ essential supremum ของ E[G_τ | F_t] เหนือ stopping time τ ที่ยอมรับได้ซึ่งไม่เร็วกว่ t

Snell envelope Y ครอบงำ G และเป็นไปตาม E[Y_t | F_s] ≤ Y_s สำหรับ s ≤ t

Supermartingale อื่นใดที่ครอบงำ G_t ทุกตัวจะต้องครอบงำ Y ด้วย ทำให้ Y เป็นขอบเขตบนที่สอดคล้องเชิงพลวัตและมีต้นทุนต่ำที่สุด

ความเป็นค่าต่ำสุดนี้สำคัญ: การครอบงำเพียงอย่างเดียวอนุญาตขอบเขตที่หลวม ขณะที่ envelope เท่ากับมูลค่าการหยุดที่ทำได้ภายใต้เงื่อนไขของทฤษฎี

ในเวลาไม่ต่อเนื่องแบบจำกัด ให้ตั้ง Y_N = G_N และคำนวณ Y_n = max(G_n, E[Y_{n+1} | F_n])

พจน์แรกคือมูลค่าการใช้สิทธิ พจน์ที่สองคือมูลค่าการต่อหลังเฉลี่ยการตัดสินใจที่เหมาะสมที่สุดของวันพรุ่งนี้ด้วยข้อมูลของวันนี้

ดังนั้น backward induction ไม่ใช่ทางลัดการกำหนดราคาที่เติมจากภายนอก แต่คือการสร้าง envelope แบบไม่ต่อเนื่องด้วยตัวมันเอง

ตัวเลือกตามธรรมชาติคือ τ* = inf{t : Y_t = G_t} ซึ่งเป็นครั้งแรกที่ envelope แตะผลตอบแทนทันที

ในเวลาไม่ต่อเนื่องแบบจำกัด กฎนี้เหมาะสมภายใต้เงื่อนไข integrability มาตรฐาน ส่วนเวลาแบบต่อเนื่องต้องมีสมมติฐานด้าน regularity และการมีอยู่

การสัมผัสเป็นเงื่อนไขด้านมูลค่า ไม่ใช่การคาดการณ์ว่าราคาสินทรัพย์อ้างอิงทำจุดสูงสุดแล้ว และ stopping time หลายตัวอาจให้มูลค่าเดียวกัน

ภายใต้เงื่อนไขที่เหมาะสม supermartingale envelope มีรูป Doob–Meyer คือ Y = M - A โดย A เป็นกระบวนการคาดการณ์ได้และเพิ่มขึ้น

M แทนนวัตกรรมของ martingale ขณะที่ A เพิ่มขึ้นเมื่อการรักษาการครอบงำเหนือผลตอบแทนจากการ exercise ใช้มูลค่า

Complementarity เชื่อมการเพิ่มขึ้นของ A กับบริเวณสัมผัส หลักการนี้ปรากฏซ้ำในสมการสะท้อนและปัญหา obstacle

ภายใต้มาตรวัดการกำหนดราคา ให้ใช้ผลตอบแทน American ที่ลดค่าเป็น G; envelope ให้กระบวนการมูลค่าที่สอดคล้องกับการไม่มี arbitrage ในกรอบสมบูรณ์แบบอุดมคติ

การ exercise เปรียบเทียบผลตอบแทนแท้จริงกับมูลค่าการต่อ ดังนั้นมูลค่าแท้จริงที่เป็นบวกเพียงอย่างเดียวไม่เพียงพอให้ใช้สิทธิก่อนกำหนด

เงินปันผล อัตราดอกเบี้ย ต้นทุนการถือครอง ข้อจำกัด และรายละเอียดสัญญาเปลี่ยน G หรือมูลค่าการต่อ และจึงปรับรูปร่างบริเวณการหยุด

ต้นไม้ regression และ dynamic programming ประมาณมูลค่าการต่อแบบมีเงื่อนไข ดังนั้นความผิดพลาดในการจัดประเภทใกล้ขอบเขตการ exercise จึงสำคัญที่สุด

การใช้ maximum กับค่าประมาณที่มี noise อาจทำให้มูลค่าเอนสูงขึ้น ขณะที่การประเมินนโยบายที่เรียนรู้บนเส้นทางใหม่ให้ขอบเขตล่างที่ปกป้องได้

ใช้การประเมินนโยบายนอกตัวอย่าง ขอบเขตบนแบบ dual การลู่เข้าข้ามกริดและฐานฟังก์ชัน และความเสถียรของขอบเขตก่อนเชื่อถือค่า exercise premium