On Calibration Neural Networks for extracting implied information from American options¶
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 | Shuaiqiang Liu, Álvaro Leitao, Anastasia Borovykh, Cornelis W. Oosterlee |
| 发布时间 | 2020-01-31 |
| 来源 | arXiv Quantitative Finance History |
| 外部标识 | arxiv:2001.11786 |
| URL | 打开原始来源 |
编辑综合¶
为什么值得关注¶
CaNN 用离线 neural-network approximation 替代美式期权隐含参数的反复在线求解，针对的是 implied volatility 与 dividend yield 提取的计算瓶颈。 (abstract:S2, abstract:S5, abstract:S6)
作者主要主张¶
- 作者报告：机器学习方法可以快速且稳健地估计美式期权的布莱克-斯科尔斯隐含波动率和股息率。 (
abstract:S2) - 作者报告：通过用神经网络近似逆函数，可将离线训练与在线预测分离，消除在线迭代过程。 (
abstract:S3) - 作者报告：提出的校准神经网络（CaNN）框架能够同时估计多个参数。 (
abstract:S5)
数据、方法或讨论范围¶
研究提出一种数据驱动方法，使用神经网络在特定计算域上近似隐含波动率和股息率的逆函数，并通过CaNN框架进行多参数校准。摘要未提供具体实证数据或基准对比。 (abstract:S3, abstract:S5)
主要限制¶
方法基于布莱克-斯科尔斯模型假设，可能无法直接推广到其他定价模型。摘要未报告该方法在真实市场数据上的表现或与传统方法的精度比较。 (abstract:S2)
研究关系¶
- 暂无已记录关系。