Solving Nonlinear and High-Dimensional PDEs via Deep Learning

Quem: 

Yuri Fahham Saporito

Onde: 

Praia de Botafogo, 190 - sala 537

Quando: 

4 de Outubro de 2018 às 16:00h

In this work we present a methodology for numerically solving a wide class of partial differential equations (PDEs) and PDE systems using deep neural networks. The PDEs we consider are related to various applications in quantitative finance including option pricing, optimal investment and the study of mean field games and systemic risk. The numerical method is based on the Deep Galerkin Method (DGM) described in Sirignano and Spiliopoulos with modifications made depending on the application of interest. This project won the Financial Mathematics Team Challenge Brazil (FMTC BR) 2018. The team members were Ali Al-Aradi (team leader, University of Toronto), Adolfo Correia (IMPA), Danilo Naiff (IM/UFRJ) and Gabriel Jardim (FGV EMAp).

*Texto informado pelo autor. 

Palestrante: 

Yuri F. Saporito possui graduação em Matemática Aplicada pela Universidade Federal do Rio de Janeiro (2008), mestrado em Matemática Aplicada pela Universidade Federal do Rio de Janeiro (2009) e doutorado em Mathematical Finance - University of California Santa Barbara (2014). Tem experiência na área de Finanças Quantitativas, Probabilidade e Processos Estocásticos, com ênfase em Cálculo Estocástico, atuando principalmente nos seguintes temas: Functional Ito Calculus e Modelos de Volatilidade Estocástica.