Whack-a-mole Online Learning: Physics-Informed Neural Network for Intraday Implied Volatility Surface¶
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 | Kentaro Hoshisashi, Carolyn E. Phelan, Paolo Barucca |
| 发布时间 | 2024-11-04 |
| 来源 | arXiv Quantitative Finance History |
| 外部标识 | arxiv:2411.02375 |
| URL | 打开原始来源 |
编辑综合¶
为什么值得关注¶
在稀疏且不均匀的 IVS 数据条件下，若 PINN 在实时校准中稳定表现，能显著降低场内建模延迟与参数不一致风险，因此对高频/盘中风控具有实践价值。 (abstract:S1, abstract:S2, abstract:S3, abstract:S4, abstract:S5, abstract:S6)
作者主要主张¶
- 作者提出 WamOL（Whack-a-mole Online Learning），以自适应加权损失函数联合满足 PDE 与无套利约束。 (
abstract:S3,abstract:S4) - 作者主张该方法在稀疏且不均匀市场数据上实现优于基线的盘中 IVS 标定，并捕捉动态风险特征。 (
abstract:S1,abstract:S5,abstract:S6)
数据、方法或讨论范围¶
可核查内容局限于抽象实验结论与方法描述，未披露约束实现方式、训练窗口、数值稳定性与误差基准。 (abstract:S1, abstract:S2, abstract:S3, abstract:S4, abstract:S5, abstract:S6)
主要限制¶
缺少“优于”具体度量与对照模型名称；在真实交易中，PDE 与无套利约束的权重设定不透明可能导致过平滑或对极端市场过度敏感。 (abstract:S4, abstract:S5, abstract:S2)
研究关系¶
- 暂无已记录关系。