A probabilistic numerical method for optimal multiple switching problems in high dimension

René Aïd, Luciano Campi, Nicolas Langrené and Huyên Pham
Additional contact information
René Aïd: FiME Lab - Laboratoire de Finance des Marchés d'Energie - Université Paris Dauphine-PSL - PSL - Université Paris Sciences et Lettres - CREST - EDF R&D - EDF R&D - EDF - EDF, LEDa - Laboratoire d'Economie de Dauphine - IRD - Institut de Recherche pour le Développement - Université Paris Dauphine-PSL - PSL - Université Paris Sciences et Lettres - CNRS - Centre National de la Recherche Scientifique
Luciano Campi: CEREMADE - CEntre de REcherches en MAthématiques de la DEcision - Université Paris Dauphine-PSL - PSL - Université Paris Sciences et Lettres - CNRS - Centre National de la Recherche Scientifique, LAGA - Laboratoire Analyse, Géométrie et Applications - UP8 - Université Paris 8 Vincennes-Saint-Denis - UP13 - Université Paris 13 - Institut Galilée - CNRS - Centre National de la Recherche Scientifique, CREST - Centre de Recherche en Économie et Statistique - ENSAI - Ecole Nationale de la Statistique et de l'Analyse de l'Information [Bruz] - X - École polytechnique - IP Paris - Institut Polytechnique de Paris - ENSAE Paris - École Nationale de la Statistique et de l'Administration Économique - IP Paris - Institut Polytechnique de Paris - CNRS - Centre National de la Recherche Scientifique
Nicolas Langrené: LPMA - Laboratoire de Probabilités et Modèles Aléatoires - UPMC - Université Pierre et Marie Curie - Paris 6 - UPD7 - Université Paris Diderot - Paris 7 - CNRS - Centre National de la Recherche Scientifique, FiME Lab - Laboratoire de Finance des Marchés d'Energie - Université Paris Dauphine-PSL - PSL - Université Paris Sciences et Lettres - CREST - EDF R&D - EDF R&D - EDF - EDF
Huyên Pham: LPMA - Laboratoire de Probabilités et Modèles Aléatoires - UPMC - Université Pierre et Marie Curie - Paris 6 - UPD7 - Université Paris Diderot - Paris 7 - CNRS - Centre National de la Recherche Scientifique, CREST - Centre de Recherche en Économie et Statistique - ENSAI - Ecole Nationale de la Statistique et de l'Analyse de l'Information [Bruz] - X - École polytechnique - IP Paris - Institut Polytechnique de Paris - ENSAE Paris - École Nationale de la Statistique et de l'Administration Économique - IP Paris - Institut Polytechnique de Paris - CNRS - Centre National de la Recherche Scientifique

Post-Print from HAL

Abstract: In this paper, we present a probabilistic numerical algorithm combining dynamic programming, Monte Carlo simulations, and local basis regressions to solve nonstationary optimal multiple switching problems in infinite horizon. We provide the rate of convergence of the method in terms of the time step used to discretize the problem, of the regression basis used to approximate conditional expectations, and of the truncating time horizon. To make the method viable for problems in high dimension and long time horizon, we extend a memory reduction method to the general Euler scheme, so that, when performing the numerical resolution, the storage of the Monte Carlo simulation paths is not needed. Then, we apply this algorithm to a model of optimal investment in power plants in dimension eight, i.e., with two different technologies and six random factors.

Keywords: local basis regression; Monte Carlo algorithm; optimal investment in power generation; optimal switching (search for similar items in EconPapers)
Date: 2014-03
References: Add references at CitEc
Citations: View citations in EconPapers (11)

Published in SIAM Journal on Financial Mathematics, 2014, 5 (1), pp.191-231. ⟨10.1137/120897298⟩

There are no downloads for this item, see the EconPapers FAQ for hints about obtaining it.

Related works:
This item may be available elsewhere in EconPapers: Search for items with the same title.

Export reference: BibTeX RIS (EndNote, ProCite, RefMan) HTML/Text

Persistent link: https://EconPapers.repec.org/RePEc:hal:journl:hal-02294328

DOI: 10.1137/120897298

Access Statistics for this paper

More papers in Post-Print from HAL
Bibliographic data for series maintained by CCSD ().