本文提出一种“共演化”(co-evolutionary)标定框架,将遗传算法(GA)与进化神经逆映射耦合,以加速 Heston 模型参数标定并生成在线即时推断;研究发现 NN 驱动的注入能显著加速 GA 收敛,但当训练集来源于优化器历史时会造成数据集中化并引发过拟合,而采用 Latin Hypercube Sampling 的空间填充数据能在保持相似精度的同时显著提升对未见曲面的泛化稳定性 .
速读内容
方法概述:共演化校准框架
双种群结构:一个 GA 在参数空间演化 θ=(κ,λ,σ,ρ,v0) 用于全局搜索,另一个种群演化神经网络以学习从平展的期权价曲面到参数的逆映射 .
反馈环:GA 精英生成(surface,parameter)对用于增量训练 NN;表现较好的 NN 在目标曲面上预测参数并注入带扰动的候选进入 GA,以替换弱个体,从而形成闭环协同加速搜索 .
关键超参与实验设定(要点)
组件
关键超参数
值
GA
N(种群)
50
GA
G(代数预算)
10(实验设定)
GA
Elite fraction EGA
0.2
NN
M(网络数)
20
NN
注入比例 Einj
0.2
NN
每代训练 epoch
5
这些配置在合成与实盘(SPX)实验中统一使用以隔离注入与数据分布影响 .
收敛与性能比较(关键结论与图示)
在合成目标上,带 NN 注入的共演化方法在早期代显著降低 RMSE 并在 GA 平台开始停滞后继续改进,最终误差较基线 GA 更低(图中示例末代约 3.5% vs 4.8%).
时间到达 LBFGS 水平(time-to-threshold)实验显示,要与 LBFGS 等价的准确度通常需要数百代演化(示例中 median ≈ 262 代).
数据分布与泛化:LHS vs GA-history(过拟合分析)
发现:以 GA 历史(optimizer-history)采样生成的训练集能快速降低训练误差但在验证集上有明显更高的损失,出现训练-验证差距扩大,提示针对目标的专门化/过拟合 .
建议:生产环境可将 NN 作为快速初始猜测或 warm-start,为后续局部优化(若需要)节省迭代次数,同时应在离线训练时混合 LHS 与目标引导样本以兼顾精度与稳健性 .
思维导图
深度阅读
元数据与概览(引言与报告概览)
报告标题:A Co-evolutionary Approach for Heston Calibration。
作者与单位:Julian Gutierrez, Department of Mathematics, Dartmouth College。
发布时间:November 2025。
主题/议题:提出并评估一种“协同进化”(co-evolutionary)校准框架,用于 Heston 随机波动率模型的参数校准,其中遗传算法(GA)和进化的逆映射神经网络共同演化,以在离线阶段学习从期权面到模型参数的逆映射并在线提供快速推断;同时对训练数据构造(GA-history vs LHS)对泛化性的影响进行系统比较。
核心论点与结论速览
作者主张:将 GA 与演化神经逆映射耦合可以在早期加速校准收敛并延续 GA 的改进,但当训练集主要来自 GA 优胜者历史(GA-history)时,会出现训练-验证差距扩大、过拟合目标表面的现象;而基于拉丁超立方(LHS)的空间填充数据集尽管不专门集中于目标,但能在泛化/稳健性上显著优于纯 GA-history 数据集。
主要实证结果:在合成数据与 SPX 实验中,NN 驱动的注入(seeding)能加速 GA 收敛并在相同预算下持续改进;但 GA-history 训练虽能更紧密匹配目标表面(更低的 in-sample 价格误差),其对持出(out-of-sample)曲面的泛化明显不佳。
校准目标:以均方误差(price-space least squares)在整个 strike–maturity 网格上最小化价格失配,明确定义了目标函数与可行域约束(θ_H ∈ Θ_H)。
协同进化方法设计(Section 3)
总体架构:双人口(GA 对参数向量演化;NN 种群演化逆映射)形成闭环,GA 的精英解生成训练样本供 NN 学习,NN 在目标表面上给出参数候选通过注入(加噪)进入 GA,从而加速 GA 搜索。
GA 设定与操作:采用精英选择(保留比例 ε)、算术交叉与高斯突变;表 1()列出操作概率与约束(如变异尺度相较参数区间的比例)。这些细节决定了参数空间探索的步幅与多样性。
NN 表征与演化:每个 NN 输出 5 维参数,架构编码为 A_i=(L_i, H_i, α_i),权重演化用算术交叉与高斯扰动,并允许架构变异(加层/减层/修改单元数/激活函数更换),表 2 与后续表格给出具体操作概率与候选集合,这构成了神经架构搜索(NAS)的一种轻量化演化实现。
训练与评价循环:每代从 GA 精英中产生数据集 D_g,然后对 NN 用 MSE 在参数空间回归训练若干梯度步;NN 的 fitness 同时基于 surrogate loss(参数误差)和直接校准分数(用 NN 预测参数对目标表面重新定价并比较)评估;顶尖 NN 的预测加噪后替换 GA 中最弱个体。
图表与图像(逐一详解并嵌入图片)
Figure 1(协同进化循环概览,page 7)
插图:
描述与解释:图示直观呈现四步循环(1. 初始化并在已有候选上训练 NN;2. 演化 NN 参数/架构;3. 顶级 NN 为 GA 提供 seed;4. 演化参数候选并重复)。该流程强调数据生成(GA→NN)与注入(NN→GA)的双向反馈关系,说明方法论的核心设计理念。
作用:此图支持文本中关于闭环交互与“训练数据由 GA 精英累积产生”的论述并帮助读者理解为何数据可能随时间被“集中化”。
Figure 2(收敛对比,page 10)
插图:
描述:横轴为世代(generation),纵轴左侧为 RMSE(价格空间),曲线比较纯 GA 与 GA+NN 的收敛轨迹;作者标注最终近似误差 4.8%(GA)vs 3.5%(co-evolution)。
解读:图显示 co-evolution 方法在前期下降更快且在 GA 平台开始平台期后继续改进,支持作者关于 NN 注入能提供信息性候选并加速全局搜索的结论。