本文针对粗糙Heston模型中仅依赖神经网络点校准难以刻画参数不确定性的问题,利用仿真基础推断与Telescoping Neural Ratio Estimation学习给定隐含波动率曲面后的完整参数后验,并通过异方差神经代理定价器将后验不确定性传导至远期启动、障碍和已实现方差期权。研究表明,完整后验预测区间能够实现接近名义水平或偏保守的覆盖,而单点校准在部分合约情形下会产生显著定价误差;同时,Hellinger-SHAP识别出正标准化货币翼及中长期期限是多项粗糙Heston参数获得信息增益的重要区域。
完整95%后验预测区间的相对宽度与覆盖率如下,宽度以持出样本蒙特卡洛参考价格为基准:
| 期权类别 | 相对区间宽度中位数 | 相对区间宽度95%分位数 | 后验预测区间覆盖率中位数 |
|---|---|---|---|
| 远期启动期权 | 0.65% | 3.84% | 97.19% |
| 障碍期权 | 2.20% | 5.82% | 95.75% |
| 已实现方差期权 | 1.66% | 18.18% | 96.89% |
本文的核心观点是:将隐含波动率曲面输入神经网络并输出单一参数向量,虽然能够快速完成模型校准,但无法反映在有限、带数值误差的市场数据下仍然存在的参数不确定性。, 因此,作者使用模拟推断中的神经比率估计方法,直接学习条件后验分布 (p(\theta\mid x)),再将参数后验传播至远期开始期权、障碍期权和已实现方差期权的价格,从而获得带有参数不确定性和代理模型不确定性的价格区间。, 文章同时提出“Hellinger-SHAP”,利用平方Hellinger距离衡量先验到后验的信息收缩,再通过局部Kernel SHAP识别隐含波动率曲面中最能带来参数信息增益的期限—虚实值区域。,
总体而言,报告并不是要证明某一种神经网络能够把参数点估计得更准,而是强调:点估计在平均意义上看似准确,并不保证对非线性、路径依赖的奇异期权进行可靠定价;完整的后验预测分布才是更合理的风险输出。,
粗糙波动率模型试图刻画股票期权市场中短期限波动率曲面非常陡峭的偏斜和局部粗糙性。模型中的Hurst参数 (H\in(0,1/2))控制波动率路径的粗糙程度,(H)越小,过程越不平滑、越接近粗糙极限。, 与传统Markov型随机波动率模型相比,rHeston的波动率过程具有非Markov性质,当前波动率演化依赖过去的完整历史,因此路径模拟和路径依赖期权定价成本较高。,
作者指出了三类数值脆弱性:
分数Riccati方程和傅里叶反演不稳定。 即使是欧式期权,rHeston特征函数也没有简单闭式表达,需要数值求解带奇异核的分数Riccati方程,再通过Lewis公式或COS方法进行傅里叶反演。, 在短期限、深度虚值区域,积分高度振荡,数值求解可能无法收敛,因此最需要这些翼部数据进行偏斜校准的地方,恰恰也是计算最不稳定的地方。
非Markov过程使路径依赖期权更加昂贵。 对障碍期权等路径依赖合约,傅里叶方法基本无法直接适用,必须依靠蒙特卡洛模拟;而非Markov波动率过程要求保存历史,或者使用有限维Markov近似。 Markovian lift虽然能够把奇异核近似成指数函数的加权和,却会产生多尺度、刚性的因子系统,需要很小的时间步长,且因子速度和权重也需要额外数值计算。
方差非负性约束。 离散化后的方差过程必须保持非负。简单的高斯更新可能产生负值,截断方法虽然容易实施,但会引入偏差,且在小 (H)、小初始方差 (V_0)或低长期方差情形下更明显。,
这些问题在固定参数、单次定价时尚可控制,但在模拟推断和后验传播中,需要对成千上万个参数组合反复定价,计算负担会急剧放大。 这构成了本文采用离线高质量模拟、在线神经代理定价的主要动机。
作者采用混合二次指数方法(HQE)。该方法结合了两项技术:混合方案处理分数核在当前时间附近的奇异性,Quadratic-Exponential(QE)方法通过匹配条件均值和方差生成非负随机变量。,
混合方案把时间区间分成靠近奇异点的“头部单元”和较远的历史单元。头部单元采用专门处理方法,避免直接用左端点近似奇异核;其余单元由于核函数较平滑,可以用单点或单元平均值近似。, HQE进一步用当前方差 (V_n)和一步预测均值 (\Xi_n=E[V_{n+1}\mid\mathcal G_n])构造加权平均,从而在 (H\to0)时更多地向右端预测值倾斜;当 (H\to1/2)时,则恢复接近标准Heston的梯形近似。,
作者还对HQE做了三项增强:
rHeston参数向量为:
[ \theta=(\kappa,\theta,\nu,\rho,V_0,H), ]
其中 (\kappa)是均值回复速度,第二个 (\theta)是长期方差水平,(\nu)是波动率的波动率,(\rho)是资产收益与波动率冲击的相关性,(V_0)是初始方差,(H)是Hurst参数。,
作者在Table 1规定各参数的支持区间,并在该矩形区域上采用均匀先验。由于提供文本中的Table 1数值没有完整显示,不能从报告摘录中可靠恢复每个参数的具体上下限;但文章明确说明,训练先验是整个参数支持域上的均匀分布。 这种设计的好处是训练数据覆盖广泛参数区域,并允许在推断时通过重加权方式更换先验,只要新先验的支持集没有超出训练支持集。
传统校准通常寻找一个最小化市场曲面误差的参数点,而本文学习整个后验。神经比率估计(NRE)的基本思想是训练分类器区分联合分布 (p(x,\theta))和独立边际乘积分布 (p(x)p(\theta)),最优分类器隐含了似然—证据比,因此后验可表示为先验乘以估计的密度比。,
直接在六维参数空间进行比率估计可能造成分类器饱和,即联合分布与独立分布过于容易区分,分类器虽然分类准确,却不能精确学习后验密度的细节。 为此,作者采用Telescoping Ratio Estimation(TRE),按照参数坐标顺序逐个学习条件密度比:
[ p(\theta\mid x) =p(\theta_1\mid x) p(\theta_2\mid x,\theta_1)\cdots p(\theta_m\mid x,\theta_{1:m-1}). ]
逐坐标学习可以缓解分类器饱和,并通过一维条件分布的多项式近似进行快速逆变换抽样,因此无需MCMC即可批量生成后验样本。 对交易场景而言,这一点十分重要,因为后验传播可能需要数千个样本,而MCMC在严格延迟限制下通常不够快。
作者训练了两个点估计网络作为比较基准:
这两个网络并不是本文后验方法的替代品,而是用于展示单点校准在下游期权定价中的局限性。由于点估计只输出一个参数向量,它无法直接给出后验区间,也不能提示哪些期权合约对校准误差特别敏感。,
对每类奇异期权,作者训练一个神经代理模型,输入六维参数,输出价格的条件位置和尺度。由于不同参数区域的期权价格可能相差几个数量级,作者在对数价格空间训练,而不是直接使用绝对价格误差。
代理模型假设:
[ \log(P_{\mathrm{exo}}+\varepsilon) ]
近似服从均值为 (\mu_\xi(\theta))、标准差为 (\sigma_\xi(\theta))的正态分布,使用高斯负对数似然训练。, 其中 (\sigma_\xi)不只是网络误差,也吸收了蒙特卡洛训练目标本身的噪声,因此它代表一种综合的条件代理不确定性。
最终的价格预测分布是后验参数分布和条件代理分布的混合:
[ p(P_{\mathrm{exo}}\mid x_o) =\int \Pi(P_{\mathrm{exo}}\mid\theta) p(\theta\mid x_o)d\theta. ]
该混合分布的分位数可被解释为模型内生的买卖价区间,但不能直接等同于真实市场的买卖报价,因为其不确定性来源仍然限于指定的先验—模拟模型和代理定价误差。
需要注意的是,RV期权采用了 (\varepsilon=10^{-5})的数值扰动。移位对数正态分布理论上可能产生区间 ([-\varepsilon,0])内的负价格,这是数值稳定性带来的人工痕迹,而不是金融期权真实允许负价格。
每个隐含波动率曲面包含63个观测点,按多个期限和标准化虚实值坐标 (z)构成。, 作者先以远期价格和对数远期虚实值定义期权位置,再用同一组蒙特卡洛样本估计的ATM隐含波动率进行标准化。这样可以减少不同期限之间的尺度差异,使近ATM和翼部特征在不同参数抽样下具有更可比的含义。,
由于同一组路径被用于同一期限下多个执行价,曲面不同格点之间的蒙特卡洛误差具有相关性。作者保留了这种联合依赖,而没有人为地假设各个IV格点独立含噪。 这使模拟数据比独立扰动的人工曲面更接近实际数值生成过程。
总计生成500,000个参数—曲面样本,其中90%用于训练、5%验证、5%测试。63维曲面经PCA压缩为20个主成分,前20个主成分解释超过99.9999%的训练集变异;之后再进行单位方差标准化。 这里的高解释率说明曲面高度低维,但也意味着后续模型的可靠性依赖于训练数据的参数范围和PCA结构。
Table 2比较了不同时间步数 (N\in{504,1008,2016,4032})和不同网格分级率 (r\in{1,2,3})下,HQE与Lewis傅里叶基准的IV绝对误差。计算使用 (M=5\times10^5)条蒙特卡洛路径,并基于500个参数—曲面对误差分位数进行估计。,
主要结论有三点:
报告称,95%分位数的误差达到10个基点以内,且大部分剩余误差与Lewis基准自身的傅里叶数值误差和蒙特卡洛噪声同量级。 这一结论支持HQE用于训练数据生成,但并不等于HQE不存在偏差,因为Lewis基准在短期限翼部同样存在数值不稳定;作者也明确提醒,表中的差异是两种数值方法总误差的混合,而非纯粹的HQE离散偏差。
附录Table 7进一步表明,处理两个头部单元并没有显著改善普通混合方案,而HQE在95%和99%分位数上显著更好;分级网格可以使 (N=1008,r=2)优于 (N=4032,r=1),理论上将近似的 (O(N^2))复杂度大幅降低。, Table 8显示误差在短期限翼部略大;Table 9和Table 10则表明,极深度虚值期权由于价格很小,会出现极高的相对蒙特卡洛误差,不能简单把相对误差放大解释为模型整体失真。, ,
Figure 1的对角线展示六个参数的边际后验直方图,非对角线展示两两联合后验。黑色叉号是真实参数,红色方块是MAP,绿色圆点是后验均值,橙色三角形是后验中位数。
图中最重要的信息不是每个点估计都正好落在真实参数上,而是参数之间存在明显相关结构。例如,(\kappa)、长期方差(\theta)、(\nu)和(H)之间出现倾斜的联合分布,说明多个不同参数组合可能产生相似的IV曲面。这个现象正是单点校准不能充分表达的识别不确定性。 后验均值、中位数和MAP之间存在小幅差异,也表明后验不一定对称,因而简单报告某一个中心统计量会丢失尾部和相关信息。
Figure 2横轴是名义HPD后验区域水平,纵轴是测试集上的经验覆盖率;理想结果是45度线。六条参数曲线基本贴近理想线,表示例如名义95%的HPD区域在重复模拟中大约有95%的概率覆盖真实参数。,
这一结果是本文UQ主张的关键证据:TRE不只是生成一个看起来合理的后验,而是在合成数据生成机制下具有较好的频率覆盖性质。需要强调的是,这属于模型内、先验内和模拟分布内的校准,不能直接推断真实市场中也会有相同覆盖率。
附录Figure 21进一步显示,未经校准的TRE存在一定低估不确定性现象,而采用β校准后,HPD覆盖曲线明显接近理想线。, 这说明分类器校准不是无关紧要的工程后处理,而可能直接影响后验区间的可靠性。
Figure 3展示MSE点估计器在测试集上的真实参数与预测参数散点图,Figure 4展示MAE点估计器的相同结果。
两图中的点大体沿 (y=x)分布,说明参数点预测在平均意义上相当准确,特别是 (\nu,V_0,H)等参数的散点非常集中。 但这两张图也暴露出一个重要限制:它们只展示预测点与真实点的误差,没有提供条件后验宽度,也无法判断某一次预测是否存在多峰性或参数间替代关系。因此,点估计图的优秀表现并不能否定后验UQ的必要性。
研究包含三类合约:
两个最极端的RV合约,即 (c=0.65,T=1/12)和(c=0.65,T=1/4),由于大量蒙特卡洛样本价格为零或接近零,被排除在后续分析之外。,
Figure 5展示三类合约的相对蒙特卡洛标准误,即价格估计标准误除以估计价格。
远期开始期权的噪声最低,障碍期权由于路径依赖和不连续支付结构而更高,RV期权则最敏感,尤其在高执行水平、短期限下容易出现价格接近数值下限的情况。 正文给出的99%分位数约为:远期开始期权低于0.5%,RV期权约1.3%,障碍期权约2%。 因此,后文出现的若干百分比级别的点估计定价误差,不能简单归因于蒙特卡洛参考价格噪声。
Table 3统计MSE或MAE点校准下,插件期权价格相对于蒙特卡洛参考价格的误差超过1%、3%和5%的测试样本比例。
在1%误差阈值下:
MAE整体略优于MSE,但差距小于“单点估计 versus 后验预测”这一方法差异本身。
Figure 6以热力图方式展示超过3%误差的频率。远期开始期权的误差集中在虚值区域,尤其是 (k=0.10);障碍期权在障碍位置更接近当前资产价格、期限更长时更容易出错;RV期权在较高执行倍数 (c=0.65)处最明显。,
这说明“参数预测误差小”与“奇异期权价格误差小”不是同一个命题。路径依赖和非线性会放大参数后验中看似有限的残余不确定性。
附录Figure 8和Figure 9分别以1%和5%阈值重复该分析,显示问题并不只存在于非常严格的1%误差定义,也并非仅由极小价格造成。, ,
Table 4报告名义95%完整预测区间宽度相对于参考价格的中位数、90%分位数和95%分位数。,
中位数区间宽度为:
95%分位数分别达到3.84%、18.18%和5.82%。 这表明区间在普通合约上可能较窄,但在高风险、低流动性或高度非线性合约上会显著扩大。附录Table 14—16进一步显示,宽区间主要出现在虚值远期开始期权、接近障碍的障碍期权和较高执行水平的RV期权。, ,
Table 5比较两种区间:
对于障碍期权,后验-only名义95%区间的合同层面中位覆盖率只有78.83%,IQR为15.59个百分点,明显低于目标值。 加入代理不确定性后,三类合约覆盖率中位数分别达到:
因此,作者的证据支持的是完整预测分布,而不是“参数后验本身总能提供足够的价格区间”。部分覆盖率略高于95%,作者将其解释为保守区间和有限样本效应,同时也承认移位对数正态分布未必完全匹配真实代理误差形状。
作者使用全方差定律,把价格预测方差分解为:
\operatorname{Var}\left(E[P\mid\theta,x]\mid x\right) + E\left[\operatorname{Var}(P\mid\theta,x)\mid x\right]. ]
第一项代表参数后验不确定性,第二项代表条件代理定价不确定性。
RV期权的参数后验贡献约为总预测方差的86%—92%,说明其主要风险来自IV曲面无法完全识别rHeston参数。 障碍期权则不同,代理模型不确定性经常与参数不确定性相当,某些接近障碍、期限较长的合约中甚至超过80%。 远期开始期权通常由参数不确定性主导,但在部分合约上代理误差仍然不可忽视。
这一结果具有实际风控含义:如果只传播参数后验,会低估障碍期权风险;如果只考虑代理模型误差,又会忽略RV期权中最主要的参数风险。
传统SHAP解释的是一个点预测函数,例如神经网络输出的某个参数估计值。本文的解释对象是“观察IV曲面后,某个参数的先验不确定性减少了多少”。作者分别采用KL散度和平方Hellinger距离度量边际后验相对于边际先验的收缩。,
KL散度信息量通常具有较强的区分能力,但对尾部密度差异敏感且没有上界。平方Hellinger距离有界,因此可作为较稳健的敏感性分析工具。 如果KL-SHAP与Hellinger-SHAP的热力图模式相似,可以说明结论并非完全由某一种信息度量驱动,但这仍然是经验稳健性,而不是理论保证。
作者为每个解释曲面选取模拟数据集中距离最近的100个曲面作为局部背景,然后将解释曲面的一部分特征与背景曲面的其余特征拼接,计算局部Kernel SHAP。 这种做法比从测试集随机选背景更密集,但混合后的曲面不一定仍然位于真实rHeston曲面流形上,所以结果应被理解为局部背景补全意义下的相对归因,而不是严格可实现的市场反事实。
Figure 7展示六个参数的平均绝对平方Hellinger-SHAP归因,基于500个测试曲面。, 绝对值平均意味着图中只表示信息贡献强度,不表示某个IV格点对后验收缩是正向还是负向。
共同模式是:正标准化虚实值翼部,尤其是中长期限区域,普遍具有较高归因。 这一特征在(\kappa,\theta,\rho,V_0,H)上最明显,在(\nu)上也存在但更集中。
分参数看:
附录Figure 10显示KL-SHAP与Hellinger-SHAP具有相似的期限—虚实值模式,特别是正翼和长期限的重要性;Figure 11和Figure 12则展示MSE、MAE点估计器的SHAP热力图。, , , 这些图的定性相似性说明不同估计对象可能识别出相近的重要区域,但并不意味着点估计SHAP和后验信息SHAP是同一个统计量。
第一,全部主要结果都来自合成数据。真实市场中可能存在买卖价差、缺失报价、流动性差异、报价异步以及模型错设,而当前模拟器默认数据由指定rHeston模型生成。 因此,报告验证的是“在指定先验—模拟机制下的条件后验是否校准”,并没有证明真实市场后验具有相同可靠性。
第二,先验具有决定性作用。作者明确承认Hellinger-SHAP和后验信息归因都是先验或市场状态特定的;更换先验会改变后验收缩程度、局部背景分布以及信息归因结果。, 因此不能将“正翼最有信息”解释成不依赖模型和先验的普遍市场规律。
第三,IV曲面标准化使用同一模拟样本计算ATM波动率,有助于降低尺度异质性,但也使网格构造和IV误差共享模拟噪声结构。, 这在模拟环境内是合理的,却可能与真实市场的报价生成机制不同。
代理定价器训练目标本身是蒙特卡洛估计,因此代理的尺度会同时吸收函数逼近误差和目标噪声。 报告虽然把二者合并纳入预测区间,但没有完全识别“代理网络误差”和“训练标签蒙特卡洛误差”各自的比例。
此外,条件误差采用移位对数正态分布描述。作者承认这一分布族未必准确,覆盖率偏离名义水平可能来自分布形状错设。 对障碍期权而言,支付结构不连续、靠近障碍时价格敏感度高,代理模型不确定性可能成为主导风险。
RV期权中两个极端合约被排除,后续还排除了估计价格低于 (10^{-5})的观测。, 这提高了回归和相对误差统计的稳定性,但也意味着结果不覆盖最难、最接近零价格的RV区域。换言之,RV的覆盖率和区间宽度是在筛选后的“经济上有效样本”上计算的,不能直接推广至全部RV合约。
Kernel SHAP通过拼接曲面局部特征生成混合曲面,这些混合曲面可能不符合任何真实rHeston参数,因此归因不是严格的结构保持反事实。 另外,图中使用绝对归因并跨500个曲面平均,会隐藏具体曲面的方向性和异质性;“区域重要”表示平均贡献大,并不意味着该区域在每一次实际校准中都最有用。
这篇报告构建了一个从IV曲面到参数后验、再从参数后验到奇异期权价格分布的完整神经框架。其技术链条包括:HQE粗糙Heston模拟、鞅修正、条件蒙特卡洛、TRE后验推断、异方差神经代理定价以及Hellinger-SHAP解释。, ,
实证结果支持以下几项核心判断:
因此,作者的总体立场不是简单主张“神经网络校准优于传统校准”,而是更具体地指出:在粗糙波动率和非线性奇异期权场景中,把校准结果压缩为单一参数点会隐藏真正重要的风险;后验预测区间与不确定性分解应成为神经校准系统的标准组成部分。 马会大小规律
2609.31570.pdf