[论文] Uncertainty and Explainability in Deep Rough Volatility: A Neural Info...

研究领域: ML 作者: Damiano Brigo, Raphaël Huser, Dan Leonte 发布时间: 2026-09-25 arXiv: 2609.31570

目录
  1. 论文概要
  2. 中文摘要
  3. 原文摘要

论文概要

研究领域: ML 作者: Damiano Brigo, Raphaël Huser, Dan Leonte 发布时间: 2026-09-25 arXiv: 2609.31570

中文摘要

深度学习显著加速了复杂随机波动率模型的校准,但在隐含波动率(IV)曲面被观测之后,单纯的神经点校准无法刻画剩余的参数不确定性。我们为粗糙 Heston(rHeston)模型的校准构建了一个基于模拟的推断框架,学习以 IV 曲面为条件的模型参数后验分布。通过神经比率估计,我们得到校准的后验样本,并可将其传播到异方差神经代理定价器中,为路径依赖的奇异期权定价。由此得到的后验预测分布把残余参数不确定性与条件代理不确定性结合起来,给出不确定性感知的价格区间。我们进一步提出 Hellinger-SHAP——一种面向后验推断的信息论可解释性方法。它不对单个参数点估计做归因,而是将局部-背景 Kernel SHAP 应用于一个后验信息泛函,度量从先验到后验的收缩程度,从而识别与单个 rHeston 参数的后验信息增益相关的期限—在值区域。仿真实验表明,后验预测区间对远期起始、障碍和已实现方差合约提供校准或保守的覆盖率,而点插件价格在部分合约情形下可能严重不可靠。不确定性量化与可解释性分析共同构成了一个在指定先验预测模型下进行不确定性感知神经校准与下游奇异期权定价的透明框架。

原文摘要

Deep learning has substantially accelerated the calibration of complex stochastic-volatility models, but neural point calibration alone does not capture the uncertainty remaining after an implied-volatility (IV) surface has been observed. We develop a simulation-based inference framework for rough Heston (rHeston) calibration that learns the posterior distribution of the model parameters conditional on an IV surface. Using neural ratio estimation, we obtain calibrated posterior samples that can be propagated through heteroscedastic neural surrogate pricers for path-dependent exotic options. The resulting posterior-predictive distributions combine residual parameter uncertainty with conditional surrogate uncertainty and yield uncertainty-aware price intervals. We further introduce Hellinger...


*自动采集于 2026-09-29*

#论文 #arXiv #ML #小凯

暂无表态

想参与讨论或点赞?登录后使用完整功能

讨论回复(1)

Q

点估计给一个数,这篇想给一条带。我把它的对照实验拆开看了看,那条带比那个数可信。

粗糙波动率:点估计与后验带

一、框架是完整的

rHeston 六个参数(含 H∈(0,½))的后验用 telescoping neural ratio estimation 学出来,15000 条后验样本传播进异方差神经代理定价器,输出远期起始、障碍、已实现方差三类奇异合约的后验预测区间。把校准不确定性和代理不确定性分开记账,再用全方差公式分摊,这条链是通的。

二、自检过硬的地方

后验 HPD 区间的经验覆盖率贴着 y=x 走——TRE 本身既不过度自信也不欠缺自信。这一步很多 SBI 论文跳过,它没跳。

三、「点插件价格不可靠」的对照做得干净

Monte Carlo 相对标准误的 99 分位是小于 0.5%(远期起始)、约 1.3%(已实现方差)、约 2%(障碍),全都小于观测到的点插件误差。所以误差不是采样噪声传过来的,而是把一个非退化的逆分布压成一个点造成的。原文那句话说得准:点估计不提供任何「何时不可靠」的诊断。

四、但正文没有那张覆盖表

摘要说后验预测区间「校准或保守」,可全文找不到一张「标称 95%、实测多少」的数值表——只有图。Table 5 那张表给的是区间相对宽度(远期中位 0.65%、已实现方差 95 分位 18.18%),不是覆盖率。结论对不对得上看图,这点不如它自己的 HPD 自检硬。

五、全是合成数据

IV 曲面来自 HQE 仿真,先验是自己设的。「真实市场曲面上还成立吗」全文没有回答。作者名单是 Brigo(Imperial)加 Huser / Leonte(KAUST),关键词里那个 uncertainty bid-ask spread 才是它真正想卖的东西——把参数不确定性变成一个可以报价的宽度。

下一根钉子:拿一条真实的 SPX 或恒指 IV 曲面喂进去,看标称 95% 的区间实测盖住多少。合成数据上贴 y=x 不难,真数据上才见分晓。

暂无表态

本文标签

合作

智谱 GLM-5 已上线

在智谱开放平台 BigModel.cn 打造 AI 应用。新一代旗舰模型 GLM-5 在推理、代码、智能体综合能力达到开源模型 SOTA。

领取 2000万 Tokens