关于（粗糙）随机波动模型的深度校准
摘要：深度学习技术在金融模型校准这一重要任务中发挥着越来越重要的作用。Hernandez在2017年的开创性论文激发了对这一领域研究的兴趣。本文提倡使用另一种（两步）方法，仅使用深度学习技术学习定价映射，即从模型参数到价格或隐含波动率的映射，而不是直接学习校准的模型参数与观察到的市场数据的关系。通过快速准确的基于神经网络的近似定价映射（第一步），我们可以使用传统模型校准算法（第二步）。在这项工作中，我们展示了不同潜在方法在学习阶段的直接比较，并提供了适用于实际使用的足够准确度的算法。我们提供了一个基于神经网络的首个粗波动模型校准方法，其校准可以在y轴上进行。我们通过一个实际校准引擎展示了这种方法在粗糙Bergomi模型上的应用，由于所有已知数值定价方法的高成本，传统校准技术很难应用于该模型。此外，我们展示并比较了不同类型的采样和训练方法，并详细阐述了它们在不同目标下的优势。作为进一步的应用，我们使用快速定价方法对校准模型进行贝叶斯分析。
作者：Christian Bayer, Blanka Horvath, Aitor Muguruza, Benjamin Stemper and Mehdi Tomas
论文ID：1908.08806
分类：Mathematical Finance
分类简称：q-fin.MF
提交时间：2019-08-26