Online Adaptive Machine Learning Based Algorithm for Implied Volatility Surface Modeling¶
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 | Yaxiong Zeng, Diego Klabjan |
| 发布时间 | 2017-06-06 |
| 来源 | arXiv Quantitative Finance History |
| 外部标识 | arxiv:1706.01833 |
| URL | 打开原始来源 |
编辑综合¶
为什么值得关注¶
该研究面向会发生 pattern drift 的 implied-volatility surface，提出可在线更新 support vectors 的 SVR，并把预测计算加速到 FPGA。 (abstract:S1, abstract:S2, abstract:S3, abstract:S4)
作者主要主张¶
- 作者提出 online adaptive primal kernel SVR，通过 local fitness 与 budget maintenance 在 pattern drift 时动态更新 support vectors。 (
abstract:S1,abstract:S2,abstract:S3) - 作者报告 FPGA 实现使在线预测中最密集的计算部分相对 CPU 获得 132 倍加速。 (
abstract:S4) - 作者报告：基于 E-mini S&P 500 options tick data，作者报告 Gaussian kernel 在 support-vector 数量控制上优于 linear kernel，并在模型复杂度和回归误差上优于两种 online methods；网格中心的结果优于边缘。 (
abstract:S5,abstract:S6,abstract:S7)
数据、方法或讨论范围¶
材料覆盖 online SVR 设计、FPGA prediction acceleration、E-mini S&P 500 options intraday tick data、两种 online baseline 以及 hyperparameter sensitivity。 (abstract:S1, abstract:S2, abstract:S3, abstract:S4, abstract:S5, abstract:S6, abstract:S7)
主要限制¶
摘要中的 132 倍加速只对应在线预测的密集计算部分；实证只提到一个期权市场，而且网格边缘结果较弱，限制了对完整 surface deployment 的外推。 (abstract:S4, abstract:S5, abstract:S6)
研究关系¶
- 暂无已记录关系。