Deep Learning Option Pricing with Market Implied Volatility Surfaces¶
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 | 标的 · 指数期权 |
| 作者 | Lijie Ding, Egang Lu, Kin Cheung |
| 发布时间 | 2025-09-07 |
| 来源 | arXiv Quantitative Finance History |
| 外部标识 | arxiv:2509.05911 |
| URL | 打开原始来源 |
编辑综合¶
为什么值得关注¶
该预印本用VAE压缩IV曲面并与MLP定价器结合，尝试以单次神经网络前向计算美式与亚洲期权价格，涉及可计算性与估值吞吐；但当前主要是抽象层性能叙述。 (abstract:S1, abstract:S3, abstract:S4, abstract:S5, abstract:S7, abstract:S8)
作者主要主张¶
- 作者提出基于S&P500期权到期面数据构建无套利曲面，并用VAE将跨期限/行权面的高维结构压缩成10维潜变量。 (
abstract:S2,abstract:S3) - 作者报告：他们主张采用分阶段训练并进行端到端微调后，单次前向即可高效给出定价，在美式与亚式期权上取得高精度。 (
abstract:S4,abstract:S5,abstract:S6,abstract:S7)
数据、方法或讨论范围¶
可核验范围停留于方法主张与训练流程描述，不包含误差指标定义、可比基线、训练资源和异常值剔除细节。 (abstract:S1, abstract:S2, abstract:S3, abstract:S4, abstract:S5, abstract:S6, abstract:S7, abstract:S8)
主要限制¶
“高精度”未绑定误差分布或显著性标准，且仅报告误差在ATM长端更大；缺少对输入漂移、曲面重建失败和生产监控阈值的说明。 (abstract:S6, abstract:S7, abstract:S5, abstract:S1)
研究关系¶
- 暂无已记录关系。