Forecasting Implied Volatility Smile Surface via Deep Learning and Attention Mechanism¶
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 | Shengli Chen, Zili Zhang |
| 发布时间 | 2019-12-23 |
| 来源 | arXiv Quantitative Finance History |
| 外部标识 | arxiv:1912.11059 |
| URL | 打开原始来源 |
编辑综合¶
为什么值得关注¶
该研究把 attention 加入 LSTM 以预测 implied-volatility surface，并把预测结果连接到作者报告的策略指标，适合检验增量特征选择是否真正改善样本外表现。 (abstract:S2, abstract:S5, abstract:S6)
作者主要主张¶
- 作者报告：引入注意力机制的LSTM网络能有效预测隐含波动率微笑曲面。 (
abstract:S2,abstract:S5) - 作者报告：LSTM的遗忘门结构赋予其强泛化能力并捕捉金融波动率的长记忆特征。 (
abstract:S3) - 作者报告：利用预测曲面构建的交易策略相比未使用预测的策略具有更高的收益和夏普比率。 (
abstract:S5)
数据、方法或讨论范围¶
研究通过实验对比了基于预测曲面和未预测曲面的交易策略表现。方法上结合了深度学习（LSTM）和注意力机制。 (abstract:S2, abstract:S4, abstract:S5)
主要限制¶
摘要未说明数据来源、市场、时间范围或策略的样本外测试方式。深度学习模型的过拟合风险及注意力机制的实际增益未量化。 (abstract:S4, abstract:S5, abstract:S6, abstract:S7)
研究关系¶
- 暂无已记录关系。