PyTorch中自动赎回期权定价的梯度计算故障解决求助

你的代码无法计算梯度主要有三个核心问题：

1. 变量名冲突：波动率参数v被后续存储支付的张量覆盖，导致梯度计算时找不到原参数节点。
2. 不可导的布尔运算：mask = mask * (payoff == 0)中的等式判断是不可导操作，直接切断了计算图。
3. 常量张量的引入：torch.tensor(0.0)是独立于计算图的常量，破坏了梯度传递链。

以下是修复后的代码，同时优化了计算逻辑的可导性：

import numpy as np
import torch
from torch import autograd

# 定义可导参数，统一设置dtype避免类型不匹配
r = torch.tensor(0.03, requires_grad=True, dtype=torch.float32)
q = torch.tensor(0.02, requires_grad=True, dtype=torch.float32)
vol = torch.tensor(0.14, requires_grad=True, dtype=torch.float32)  # 重命名避免变量冲突
S = torch.tensor(1001.0, requires_grad=True, dtype=torch.float32)

# 生成同类型的随机数和时间张量
Z = torch.randn(10000, 5, dtype=torch.float32)
t = torch.tensor(np.arange(1.0, 6.0), dtype=torch.float32)
c = torch.tensor([0.2, 0.3, 0.4, 0.5, 0.6], dtype=torch.float32)

# 计算蒙特卡洛模拟的股价路径，保持全可导
mc_S = S * torch.exp((r - q - 0.5 * vol ** 2) * t + Z.cumsum(dim=1))

# 计算支付，替换不可导操作为可导等价逻辑
payoffs = []
mask = torch.ones_like(mc_S[:, 0], dtype=torch.float32)  # 初始mask为全1张量

for col, coup in zip(mc_S.T, c):
    # 用torch.zeros_like替代独立常量张量，保持计算图关联
    payoff = mask * torch.where(col > S, coup, torch.zeros_like(col))
    payoffs.append(payoff)
    # 用(col <= S).float()替代payoff == 0，直接基于股价判断是否继续，保持可导
    mask = mask * (col <= S).float()

# 堆叠支付并计算期望
payoff_matrix = torch.stack(payoffs).T
result = payoff_matrix.sum(dim=1).mean()

# 计算各参数的梯度
grads = autograd.grad(result, [r, q, vol, S], allow_unused=True, retain_graph=True)
print("各参数敏感度：")
print(f"Delta (S的梯度): {grads[3].item()}")
print(f"Rho (r的梯度): {grads[0].item()}")
print(f"Dividend Rho (q的梯度): {grads[1].item()}")
print(f"Vega (vol的梯度): {grads[2].item()}")

关键修改说明 #

• 变量重命名：将波动率参数从v改为vol，避免与后续存储支付的张量冲突，确保梯度计算时能正确定位原参数。
• 替换不可导判断：用(col <= S).float()替代payoff == 0，直接基于股价路径判断是否触发赎回，该操作在PyTorch中支持梯度反向传播（边界路径的导数为0，不影响整体期望的梯度计算）。
• 统一张量类型：所有张量设置为torch.float32，避免因类型不匹配导致的隐式转换破坏计算图。
• 替换常量张量：用torch.zeros_like(col)替代torch.tensor(0.0)，确保零值张量与计算图关联，保持梯度传递。

如果需要更平滑的梯度（比如避免硬阈值带来的梯度不连续），可以用软近似函数替代硬判断，例如：

# 用sigmoid近似阶跃函数，beta控制近似程度
beta = 100.0
payoff = mask * coup * torch.sigmoid(beta * (col - S))
mask = mask * torch.sigmoid(beta * (S - col))

这种方式会让梯度更平滑，适合需要高精度敏感度的场景，但会引入一定的近似误差，可根据需求调整beta值。

内容的提问来源于stack exchange，提问作者user1726633