Operator Deep Smoothing for Implied Volatility¶
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 | Ruben Wiedemann, Antoine Jacquier, Lukas Gonon |
| 发布时间 | 2025-06-16 |
| 来源 | arXiv Quantitative Finance History |
| 外部标识 | arxiv:2406.11520 |
| URL | 打开原始来源 |
编辑综合¶
为什么值得关注¶
该文提出神经算子用于IV表面即时平滑/外推，若可实现，可影响高频期权数据下的曲面生成效率与统一建模，但当前证据仍为摘要式主张。 (abstract:S1, abstract:S2, abstract:S3, abstract:S4, abstract:S5, abstract:S6, abstract:S7, abstract:S8, abstract:S9, abstract:S10)
作者主要主张¶
- 作者提出算子深度平滑框架，用单一模型直接将观测数据映射为平滑IV曲面，并强调传统NN对动态交易布局面临局限。 (
abstract:S1,abstract:S2,abstract:S3,abstract:S4,abstract:S6) - 作者主张使用图神经算子模型在十年原始S&P 500高频数据上仅用单模型实现高精度拟合，且能体现无套利约束并对输入稀疏化具有鲁棒性。 (
abstract:S6,abstract:S7,abstract:S8,abstract:S9)
数据、方法或讨论范围¶
可核验内容包括架构主张、单模型训练范围（十年原始S&P500高频数据）和与NN、SVI比较，但未公开误差指标定义、训练资源消耗、参数规模或偏差分解。 (abstract:S1, abstract:S2, abstract:S6, abstract:S7, abstract:S8, abstract:S9, abstract:S10)
主要限制¶
摘要将“高精度”“鲁棒”与“广泛基准”并列，但未给出误差分布、采样偏差控制、以及No-arbitrage约束的严格约束形式，难以检验执行一致性。 (abstract:S7, abstract:S8, abstract:S9, abstract:S10)
研究关系¶
- 暂无已记录关系。