本报告提出了一种基于梯度的深度差分神经网络(DDN)框架,用于校准Heston选项定价模型。该网络不仅学习定价公式,还学习参数的偏导数,避免了传统 Fourier 计算梯度的数值不稳定问题。实证结果表明,DDN在多个股票市场中显著优于非差分神经网络,且相较于无梯度信息的全局优化器,计算速度大幅提升,适合高效风险管理和快速校准
标题: Calibrating the Heston model with deep differential networks
作者: Chen Zhang, Giovanni Amici, Marco Morandotti
机构: Politecnico di Torino, Ningbo University
发布时间: 未具体说明,最新文献和数据截至2024年初
主题: 利用深度微分网络(Deep Differential Network, DDN)进行Heston随机波动率模型的快速准确标定
关键词: 机器学习,模型标定,期权定价,随机波动率,深度微分神经网络
核心论点与目标:
该报告提出并设计了一种基于梯度信息的深度学习框架,即深度微分网络(DDN),用于高效且准确地标定Heston模型。DDN不仅学习Heston模型的期权定价公式,还学习其关于模型参数的偏导数(敏感性),从而克服了传统数值积分计算梯度时遇到的精度和效率瓶颈。实证显示DDN在多市场标定上较非微分神经网络和传统无梯度全局优化方法表现出更高精度和显著的计算加速。,1,2]
关键论点:
期权作为金融衍生品,依赖于多种风险因子(基础资产价格、波动率、无风险利率等),其公允价值估计需要准确的随机动态描述和快速的模型参数标定技术。传统Black-Scholes模型假设限制多,不能准确捕捉隐含波动率微笑;因此引入了如Heston模型等更复杂的随机波动率模型,以更好贴合市场特征。
然而,复杂模型标定面临非凸优化、多局部极值的难题,加上梯度计算本身存在数值不稳定性,因此优化算法选择及标定速度成为关键难点。,1]
推理依据:
关键论点:
已有学者尝试利用解析梯度加速Heston模型标定(Cui et al., 2017),但难以扩展到更复杂模型或大数据集。深度神经网络(DNN)基于其通用逼近能力,为快速替代数值计算提供契机,但传统DNN仅工程价格映射,缺乏对导数的适当建模,限制了精度提升。
创新点:
提出一种深度微分网络,集成了输出关于参数的一阶偏导,损失函数同时约束价格与梯度的拟合精度,兼顾速度与精度,且数据采样采用Latin Hypercube Sampling(LHS)覆盖参数空间,减少重训需求。,3]
关键论点与公式:
Heston模型通过以下二维随机微分方程描述资产价格 ( S_t ) 与其方差 ( v_t ) 的联合演化,其中波动率本身服从均值回复扩散过程,两个布朗运动之间具有相关系数 ( \rho ):
[ \begin{cases} dS_t = r S_t dt + \sqrt{v_t} S_t dW_{1,t} \ dv_t = \kappa(\lambda - v_t) dt + \sigma \sqrt{v_t} dW_{2,t} \ d\langle W_1, W_2 \rangle_t = \rho dt \end{cases} ]
模型参数包含均值回复速度 (\kappa)、长期波动率均值 (\lambda)、波动率波动幅度 (\sigma)、两过程之间的相关系数 (\rho) 以及初始波动率 (v_0)。期权价格通过半解析逆傅里叶变换计算,存在计算积分的数值挑战。(具体公式见报告第4页)
网络结构:
损失函数设计:
[
\mathcal{R} = \underbrace{\sum (\hat{p} - p)^2}{价格} + \underbrace{\sum (\partial{\theta} \hat{p} - \partial_{\theta} p)^2}_{梯度} + \eta |\Xi|_2
]
同时拟合价格与偏导,避免单纯拟合价格导致的微分不精确,同时避免传统数值梯度误差导致的稳定性差。,6]
训练细节:
数据生成:
通过Latin Hypercube Sampling方法,在各参数的合理范围内采样(详见表1),保证高效覆盖广泛的参数组合。所有数据点用QuantLib工具计算标准Heston模型价格及数值梯度作为训练标签。
超参数选取过程:
标定问题定义:
使用训练好的DDN模型作为标的定价引擎,结合多次起点的多起点梯度下降(Adam优化),解决非凸优化问题:
[ \theta_H^* = \arg\min_{\theta_H} \frac{1}{M} \sum_{m=1}^M (f(\theta|\Xi)_m - p^{mkt}_m)^2 ]
由于DDN本身具备高效准确的梯度计算,使用梯度方法极大减少计算时间。
基准对比测试:
实证数据:
选取微软(MSFT)、Costco(COST)、BKNG股票及标准普尔500指数(SPX)上不同期限和行权价的期权,数据从雅虎财经获取,利率采用美国国库券利率(表6)。
实验结果:
(详见表7、9)
该图展示了DDN的4层结构:输入层(参数矢量),6个隐藏层(每层150个节点示意),输出层(预测期权价格),及新添差分层(对输出进行梯度计算)。后续连接到损失函数模块。训练流程为前向传播计算预测值和梯度,计算损失后进行反向传播更新参数直至收敛。该图明确DDN区别于普通前馈神经网络的关键在于差分层的梯度输出。
此图展示3至8层网络,隐藏层节点数为50、100、150、200时的误差收敛,图中记录训练损失与测试损失。
观察发现,误差整体趋于收敛,6层150节点配置在训练和测试集均取得较低误差且曲线平稳,验证了超参数调优中得到的结论。
该图比较了10k、50k、100k与200k训练样本规模下的误差表现。显然,随着数据规模增加,训练与测试误差大幅下降,且曲线更快趋于稳定。200k数据集对应的误差明显优于小规模数据,验证了大数据量训练对DDN有效提升精度的作用。
图中多条曲线表示实际市场期权价格(蓝色线)、通过DDN预测价格(橘色线)和无差分FNN预测价格(绿色线),分别对应微软、Costco、BKNG、SPX。
DDN预测价格高度贴合市场实际值,曲线重合紧密;而FNN在某些区间明显偏离,特别是实值深其他价位处偏差显著。图示直接说明DDN引入偏导信息有效提升拟合质量和稳定性。
本报告核心工作并非对Heston模型本身估值创新,而是提出一个新型神经网络近似定价及标定方法。Heston标定的估值部分传统基于逆傅里叶变换法,计算复杂且数值不稳定。DDN实质上提供了一个近似的价格函数映射,将定价计算转为快速前向预测,同时其伴随的微分层精确反映梯度,为标定优化提供有力支持。所以DDN既是一个快速的定价估值代替品,也是标定中加速梯度计算的关键。其训练过程和损失设计保证了估值的准确性与稳定性。,5,6]
报告没有明确独立章节描述风险控制,但从内容可推断以下几点风险因素:
报告中采取多起点随机初始化、数据归一化、正则化及监督微分约束等措施,均有效降低上述风险因素对结果的影响。,2,3,6,11]
总的来看,报告方法创新明确且结果具有说服力,但对极端复杂情况的适用性、泛化能力需后续实证深化。,14,15]
本报告创新性地提出了一种“深度微分网络”(DDN)用于Heston模型的期权定价及参数标定,解决了传统数值积分中梯度计算不准确且效率低的问题。通过集成价格及其关于五个核心参数的偏导数的联合训练,DDN模型显著提升了定价函数的拟合精度及对梯度的稳定估计能力。其基于LHS采样训练的广泛数据集使模型能较好覆盖市场参数空间,避免了过度拟合与频繁重训。
深度解读图表支持的关键点:
实证主张和意义:
作者最终立场:
DDN技术是标定Heston等随机波动率模型的极具前景的革新方法,成功解决了数值稳定性和速度瓶颈。其标定结果与经典无梯度优化方法精度相当却大大缩减了时间开销,推动金融衍生品定价及风险管理进入高效自动化时代。
该研究将深度学习中的梯度传递机制引入金融模型标定,通过深度微分网络学习价格与对参数的偏导数,有效避免数值误差,提升了Heston模型期权定价与参数标定的速度和精度。实证覆盖多个标的和市场,结果表明其优于传统前馈网络和无梯度优化算法,有较强的推广价值和研究前景。该报告综合了数学模型、数值算法与机器学习技术,体现了跨学科金融工程领域的前沿进展。
如需进一步详细剖析某一章节或表格、图表,请随时告知。
2407.15536.pdf