Finance-Informed Neural Network: Learning the Geometry of Option Pricing¶
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 | 期权对冲、敞口与风险 |
| 方法 | 金融机器学习, 研究方法与稳健性 |
| 检索标签 | — |
| 作者 | Amine M. Aboussalah, Xuanze Li, Cheng Chi, Raj Patel |
| 发布时间 | 2026-03-11 |
| 来源 | arXiv Quantitative Finance History |
| 外部标识 | arxiv:2412.12213 |
| URL | 打开原始来源 |
编辑综合¶
为什么值得关注¶
该方法将定价与对冲由直接拟合价格转为复制约束学习，若稳定可降低参数设定偏差；对稀缺期权市场尤其关键。但抽象未给出网络训练代价与误差预算。 (abstract:S1, abstract:S2, abstract:S3, abstract:S4, abstract:S6, abstract:S7)
作者主要主张¶
- 作者提出FINN，主张通过动态对冲的自监督复制目标学习期权定价与对冲，而非直接拟合观测价格。 (
abstract:S1,abstract:S2) - 作者报告：他们进一步称FINN可恢复套利无矛盾定价算子、推导内生对称性关系，并在Heston与无解析解环境中保持稳定。 (
abstract:S3,abstract:S5,abstract:S4) - 作者声称 FINN 重建的 implied-volatility surface 比 Heston calibration 更接近市场，并可仅用历史现货价格为没有上市期权的资产构造一致的期权价格与 Greeks。 (
abstract:S6,abstract:S7)
数据、方法或讨论范围¶
可核验范围含方法目标、理论主张与若干经验主张（BS恢复、Heston稳健、IV面重建优于Heston、对无流动性资产可基于现货训练）；未给出训练数据量、损失归一化或交易成本纳入方式。 (abstract:S1, abstract:S2, abstract:S3, abstract:S4, abstract:S6, abstract:S7)
主要限制¶
“优于Heston calibrations”未明确误差指标与评估窗；抽象未定义是否包含交易成本、流动性门槛及泛化回撤测试。 (abstract:S4, abstract:S6, abstract:S9)
研究关系¶
- 暂无已记录关系。