无套利预测隐含波动率曲面的两步框架
摘要：预测隐含波动率表面的无静态套利的两步框架：在第一步中，我们选择特征来代表表面并预测它们随时间的变化。在第二步中，我们使用预测的特征来构建隐含波动率表面，通过加入防止静态套利的约束条件使用深度神经网络（DNN）模型。我们考虑从隐含波动率数据中提取特征的三种方法：主成分分析、变分自动编码器和对表面进行采样，然后使用LSTM模型预测这些特征。通过使用长时间序列的S&P500指数期权的隐含波动率数据来训练我们的模型，我们发现，对于样本外预测，采样表面和变分自动编码器结合DNN进行表面构建的两种特征构建方法是最佳表现者。特别是，它们明显优于传统方法。此外，相比标准插值方法，用于表面构建的DNN模型不仅消除了静态套利，而且显著减小了预测误差。我们的框架还可以用于模拟不含静态套利的隐含波动率表面的动态变化。
作者：Wenyong Zhang, Lingfei Li, Gongqiu Zhang
论文ID：2106.07177
分类：Statistical Finance
分类简称：q-fin.ST
提交时间：2022-01-04