Incorporating prior financial domain knowledge into neural networks for implied volatility surface prediction¶
书目记录。出版内容请通过原始来源链接查看。
| 字段 | 内容 |
|---|---|
| 主领域 | 波动率、曲面动态与方差风险 |
| 其他领域 | — |
| 方法 | 金融机器学习 |
| 检索标签 | — |
| 作者 | Yu Zheng, Yongxin Yang, Bowei Chen |
| 发布时间 | 2021-05-28 |
| 来源 | arXiv Quantitative Finance History |
| 外部标识 | arxiv:1904.12834 |
| URL | 打开原始来源 |
编辑综合¶
为什么值得关注¶
该研究把 smile 形状、无套利边界和渐近斜率等先验嵌入 IV surface 网络，可用于比较约束式与纯数据驱动模型；损失函数约束不等于严格理论保证。 (abstract:S5, abstract:S6, abstract:S7)
作者主要主张¶
- 作者报告：提出一种新型神经网络模型，通过设计包含波动率微笑的激活函数和在损失函数中嵌入无套利等金融条件，融合了先验领域知识。 (
abstract:S3,abstract:S4) - 作者报告：在20年S&P 500指数期权数据上，该模型优于基准模型。 (
abstract:S6) - 作者报告：模型实证满足了所嵌入的领域知识条件，表明其与现有金融理论一致性良好。 (
abstract:S7)
数据、方法或讨论范围¶
采用长达20年的S&P 500指数期权数据，预测隐含波动率曲面。对比若干基准模型（未列名称）。研究重点在于架构创新和领域知识嵌入，并检验理论条件的事后吻合度。 (abstract:S6, abstract:S7)
主要限制¶
摘要未说明基准模型的具体类型、预测误差的度量方式、以及约束条件对样本外预测的额外贡献。研究集中在S&P 500指数，模型对其他资产类别的通用性未验证。领域知识的引入可能增加模型复杂性和实现难度。 (abstract:S6, abstract:S4)
研究关系¶
- 暂无已记录关系。