深度学习波动性
摘要：一种基于神经网络的校准方法：对完整的隐含波动率面进行毫秒级的校准任务。该框架在一系列波动率模型（包括粗糙波动率家族）和一系列衍生品合约中一致适用。神经网络在本研究中的目的是对难以用其他方法表示或耗时评估的复杂定价函数进行离线近似。我们强调这种观点如何为定量模型建模开辟新的视野：通过解决衍生品合约定价缓慢的校准瓶颈问题，可以将多种数字估价器和模型家族（如粗糙波动率模型）应用于工业实践。提取和存储可用数据的信息形式影响了网络性能：这种方法的灵感来自将隐含波动率和期权价格表示为一系列像素。在一些应用中，我们展示了这种建模方法在准确性、速度、稳健性和普适性方面的能力，并且展示了它在模型识别方面的潜力。
作者：Blanka Horvath, Aitor Muguruza, and Mehdi Tomas
论文ID：1901.09647
分类：Mathematical Finance
分类简称：q-fin.MF
提交时间：2019-08-26