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

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