Machine learning for option pricing: an empirical investigation of network architectures¶
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 | Serena Della Corte, Laurens Van Mieghem, Antonis Papapantoleon, Jonas Papazoglou-Hennig |
| 发布时间 | 2026-01-29 |
| 来源 | arXiv Quantitative Finance History |
| 外部标识 | arxiv:2307.07657 |
| URL | 打开原始来源 |
编辑综合¶
为什么值得关注¶
该文聚焦神经网络结构选择对期权与 implied-volatility 定价误差及训练时长的影响，与模型家族选择有关；但摘要未给出训练稳定性与超参数公平对齐细节。 (abstract:S1, abstract:S2, abstract:S3, abstract:S4, abstract:S5, abstract:S6, abstract:S7)
作者主要主张¶
- 作者回顾并比较多种网络结构，指出文献中主流仍偏向前馈网络。 (
abstract:S1,abstract:S2,abstract:S3) - 作者报告：他们指出广义高速公路网络在Black-Scholes与Heston定价上在误差和时间上表现最好，IV问题中简化DGM在测试架构中最低误差。 (
abstract:S4,abstract:S5)
数据、方法或讨论范围¶
可核验范围包括结构对比口径、评价指标与容量归一化框架，及加入真实市场数据实验的提及；未给出具体超参数与统计显著性。 (abstract:S1, abstract:S2, abstract:S3, abstract:S4, abstract:S5, abstract:S6, abstract:S7)
主要限制¶
“最佳性能”依赖给定参数预算与任务定义，未披露训练复现随机性和跨资产迁移的公平评估方式。 (abstract:S4, abstract:S6, abstract:S7, abstract:S3)
研究关系¶
- 暂无已记录关系。