এআই গ্লসারি
কৃত্রিম বুদ্ধিমত্তার সম্পূর্ণ অভিধান
ডিপ লার্নিং দ্বারা অপশন প্রাইসিং
আর্থিক অপশনগুলির তাত্ত্বিক মূল্য অনুমান করার জন্য গভীর নিউরাল নেটওয়ার্কের ব্যবহার, বিশেষ করে এক্সোটিক অপশনগুলির ক্ষেত্রে, বাজারের পরামিতি এবং অপশনের মূল্যের মধ্যে জটিল সম্পর্ক শেখার মাধ্যমে।
প্রাইসিংয়ের জন্য নিউরাল নেটওয়ার্ক
একটি ডেরিভেটিভ পণ্যের মূল্য ফাংশন মডেল করার জন্য বিশেষভাবে ডিজাইন করা ডিপ লার্নিং আর্কিটেকচার, যা বাজারের অবস্থার ভেরিয়েবল (স্পট, অস্থিরতা, হার) ইনপুট হিসেবে নিয়ে অপশনের মূল্যায়ন আউটপুট হিসেবে প্রদান করে।
নন-প্যারামেট্রিক লার্নিং
একটি পদ্ধতি যেখানে মডেলটি মূল্য ফাংশনের আকার সম্পর্কে কোনো পূর্ব অনুমান করে না, যা বাজারের জটিল এবং অরৈখিক গতিশীলতা ক্যাপচার করতে সক্ষম হয়, ব্ল্যাক-স্কোলসের মতো বদ্ধ মডেল দ্বারা সীমাবদ্ধ না হয়ে।
ডিফারেনশিয়েবল মন্টে কার্লো পদ্ধতি
অ্যাসেটের মূল্যের গতিপথের সিমুলেশন কৌশল যেখানে এলোমেলো ক্রিয়াকলাপগুলি ডিফারেনশিয়েবলভাবে ডিজাইন করা হয়, যা গ্রেডিয়েন্টের ত্রুটি ব্যাকপ্রোপাগেশনের মাধ্যমে নিউরাল নেটওয়ার্ক প্রশিক্ষণের অনুমতি দেয়।
মডেল রিস্ক (Model Risk)
প্রাইসিং মডেলের স্পেসিফিকেশন, প্রয়োগ বা ব্যবহারের ত্রুটির ফলে সৃষ্ট ক্ষতির ঝুঁকি, যা ডিপ লার্নিং পদ্ধতিগুলি বাজারের তথ্য থেকে সরাসরি শিখে পরিমাপ এবং হ্রাস করার চেষ্টা করে।
ফিজিক্যালি ইনফর্মড নিউরাল নেটওয়ার্ক (PINN)
নিউরাল নেটওয়ার্ক যা ফাইন্যান্সের পার্শিয়াল ডিফারেনশিয়াল ইক্যুয়েশন (যেমন ব্ল্যাক-স্কোলস সমীকরণ) তার লস ফাংশনে অন্তর্ভুক্ত করে, যাতে পূর্বাভাসগুলি আর্বিট্রেজ-মুক্ত নীতিগুলি মেনে চলে।
এআই দ্বারা মডেল ক্যালিব্রেশন
প্রাইসিং মডেলের প্যারামিটার (যেমন অস্থিরতা, জাম্প) সমন্বয় করার প্রক্রিয়া, যা এআই-ভিত্তিক অপ্টিমাইজেশন অ্যালগরিদম ব্যবহার করে মডেলের তাত্ত্বিক মূল্য এবং বাজারে পর্যবেক্ষিত মূল্যের মধ্যে পার্থক্য কমানোর জন্য।
ইমপ্লিসিট ভোলাটিলিটি সারফেস
স্ট্রাইক মূল্য এবং মেয়াদের উপর নির্ভর করে ইমপ্লিসিট ভোলাটিলিটির ত্রিমাত্রিক উপস্থাপনা, যা ডিপ লার্নিং মডেলগুলি ঐতিহ্যগত পদ্ধতির চেয়ে আরও কার্যকরভাবে ইন্টারপোলেট এবং এক্সট্রাপোলেট করতে শেখে।
গ্রিকস (গ্রিকস) স্বয়ংক্রিয় ডিফারেন্সিয়েশন দ্বারা
ডিপ লার্নিং ফ্রেমওয়ার্কের স্বয়ংক্রিয় ডিফারেন্সিয়েশন ক্ষমতা ব্যবহার করে অপশন মূল্যের সংবেদনশীলতা (ডেল্টা, গামা, ভেগা, থিটা) গণনা, যা সসীম পার্থক্য পদ্ধতির তুলনায় উচ্চতর নির্ভুলতা ও গতি প্রদান করে।
এক্সোটিক অপশন প্রাইসিং
জটিল ও অ-মানক পেঅফ কাঠামোযুক্ত ডেরিভেটিভ যন্ত্রের মূল্যায়ন (যেমন: ব্যারিয়ার অপশন, এশিয়ান অপশন, লুকব্যাক অপশন), যেখানে ডিপ লার্নিং মডেলগুলি পাথ-ডিপেন্ডেন্ট নির্ভরতা বিশ্লেষণাত্মক সূত্র ছাড়াই সঠিকভাবে ধারণ করতে সক্ষম।
আর্থিক সময় সিরিজের জন্য রিকারেন্ট নিউরাল নেটওয়ার্ক (আরএনএন)
ডিপ লার্নিংয়ের একটি আর্কিটেকচার যা শেয়ার বাজারের মতো অনুক্রমিক ডেটা প্রক্রিয়াকরণের জন্য ডিজাইন করা হয়েছে, যা অন্তর্নিহিত সম্পদের গতিশীলতা মডেলিং এবং পাথ-ডিপেন্ডেন্ট অপশন প্রাইসিংয়ের জন্য বাজারের পরিস্থিতি সিমুলেশনে ব্যবহৃত হয়।
আর্বিট্রেজের অনুপস্থিতি শিক্ষণ সীমাবদ্ধতা হিসেবে
আর্বিট্রেজের সুযোগের অনুপস্থিতির মৌলিক নীতি (মনোটোনিসিটি, কনভেক্সিটি) সরাসরি নিউরাল নেটওয়ার্কের আর্কিটেকচার বা লস ফাংশনে অন্তর্ভুক্ত করা, যাতে আর্থিকভাবে সামঞ্জস্যপূর্ণ মূল্য নিশ্চিত করা যায়।
বাজার সিমুলেশনের জন্য জেনারেটিভ অ্যাডভারসারিয়াল নেটওয়ার্ক (জিএএন)
জিএএন ব্যবহার করে বাস্তবসম্মত সম্পদ মূল্যের পথ তৈরি করা, যা আর্থিক বাজারের জটিল পরিসংখ্যানগত বৈশিষ্ট্য (ফ্যাট টেইল, ভোলাটিলিটি ক্লাস্টারিং) ধারণ করে, যা মন্টে কার্লো সিমুলেশনের মাধ্যমে প্রাইসিংয়ের নির্ভুলতা বৃদ্ধি করে।
অপশন হেজিংয়ের জন্য রিইনফোর্সমেন্ট লার্নিং
লেনদেনের খরচ ও ঘর্ষণযুক্ত বাজার পরিবেশে সর্বোত্তম হেজিং কৌশল আবিষ্কারের জন্য রিইনফোর্সমেন্ট লার্নিং প্রয়োগ, যা পোর্টফোলিওর ঝুঁকি কমানোর জন্য ট্রেডিং নীতি শেখে।
প্রাইসিংয়ের জন্য কোয়ান্টাম নিউরাল নেটওয়ার্ক (কিউএনএন)
কোয়ান্টাম কম্পিউটিংয়ের নীতিগুলি ব্যবহার করে অপশন প্রাইসিং ত্বরান্বিত করার উদীয়মান পদ্ধতি, বিশেষত বহু-অন্তর্নিহিত পণ্যের ক্ষেত্রে যেখানে প্রচলিত পদ্ধতিতে গণনার স্থান সূচকীয়ভাবে বৃদ্ধি পায়।
ডিপ লার্নিং দ্বারা ফ্রি বাউন্ডারি পদ্ধতি
আমেরিকান অপশন প্রাইসিংয়ের (অগ্রিম এক্সারসাইজ সহ) সমস্যা সমাধানের কৌশল, যেখানে নিউরাল নেটওয়ার্ক একইসঙ্গে অপশনের মূল্য এবং অগ্রিম এক্সারসাইজের সর্বোত্তম সীমানা শেখে, যা আগে থেকে জানা যায় না।
মাল্টি-অ্যাসেট পণ্যের মূল্য নির্ধারণের জন্য গ্রাফ নিউরাল নেটওয়ার্ক (GNN)
একটি ডিপ লার্নিং আর্কিটেকচার যা পোর্টফোলিও বা ডেরিভেটিভ পণ্যে একাধিক অন্তর্নিহিত সম্পদের মধ্যে জটিল পারস্পরিক সম্পর্ক এবং নির্ভরতা মডেল করার জন্য উপযোগী, সম্পর্কগুলোকে গ্রাফ হিসেবে উপস্থাপন করে।