加载中...
本文提出了一种基于条件去噪扩散概率模型(DDPM)的隐含波动率曲面生成与预测方法。该模型通过结合历史隐含波动率曲面、标的收益及市场指标(如VIX)进行条件建模,利用信噪比加权的无套利惩罚项稳定训练,显著优于传统GAN模型。理论上证明了惩罚项引入的偏差有界,实证验证了模型在准确度、置信区间校准及生成曲面无套利性上的优势,为期权隐含波动率的量化建模带来了创新途径。
本报告成功提出并实现了基于条件去噪扩散概率模型(DDPM)的隐含波动率曲面生成与预测框架。其价值和创新点在于:
总体而言,报告给出了一套成熟且具理论与实证保障的隐含波动率曲面模拟解决方案,预示着扩散模型在金融深度学习中的强大潜力,同时也指出了未来研究的若干重要方向。
引用格式示例: 本文采用的理论证明基于Girsanov定理和局部强凸性假设,罚项偏差界为O(λ2),详见第4章相关引理和定理 ,9,12,13,14]
训练数据及方法细节见第5章,以及相关图3-7 ,16,17,18,19,20,23]
模型性能的主要比较及无套利分析详见第6章及相应图表
高阶分布特征比对见第6.4节及图14、表2 ,32,33]
如果需要深入细节或更多章节分析,欢迎继续提问。
2511.07571.pdf