本文研究了路径签名在机器学习框架中的应用,以对非马尔可夫随机波动率模型下的奇异期权进行套期保值。通过深度学习结合签名特征的前馈神经网络(Signature NN)优于传统LSTM模型且训练效率大幅提升;浅层学习中通过线性组合签名构建套期保值策略和波动率模型,基于签名波动率模型的校准可有效提高对敞口不同产品的套期保值准确性和稳定性。
欧式期权(European Call):三网络表现接近,SNN略优于VNN且训练更快,RNN拟合稍逊,表现体现签名捕捉路径依赖能力强。
亚洲期权(Geometric Asian Call):SNN显著优于VNN和RNN,性能更靠近Fourier标杆,RNN优于VNN,但仍有明显差距。
训练时间:SNN训练速度显著快于RNN约40倍,且达到精度目标时间远短于RNN。
回顾期权(Look-back Call):RNN表现最佳,SNN优于VNN但略逊于RNN与Black-Scholes基准,显示高非线性与路径依赖程度下深度循环网络优势。
通过两条测试路径展示不同方法的动态对冲比例,SNN方案比RNN更激进,在非马尔可夫模型中波动更明显。
线性签名回归(Linear REG)和最佳场景线性(Linear BCS)方法在简单多项式收益(Polynomial Payoff)中表现良好,但有一定偏差,主要因非凸优化难题与Monte Carlo估计误差。
在Heston模型下欧式看涨期权,Fourier REG优于Linear REG和Linear BCS,能更好捕捉波动率动态及其非线性,贴近Fourier BCS和真实Fourier解。
在非马尔可夫的延迟方程(Delayed-Equation)波动率模型中,Fourier REG继续保持优势,线性方法表现出较大劣势,显示模型依赖的Fourier签名方法适用性和效果更优。
关键表格:
| 方法 | Mean squared P&L (×10^-4) | Mean P&L |
|--------------|--------------------------|------------------|
| Linear REG | 4.66 | 6.78e-4 |
| Linear BCS | 4.09 | 1.04e-4 |
| Fourier REG | 2.36 | -1.05e-3 |
| Fourier BCS | 2.33 | 2.14e-4 |
Fourier REG方法能用最小的模型假设,结合签名波动率回归实现高效套保。
《Hedging with memory: shallow and deep learning with signatures》
作者:Eduardo Abi Jaber 与 Louis-Amand Gérard
发布机构:École Polytechnique, Université Paris 1 Panthéon-Sorbonne, CES Gefip
发布日期:2025年8月10日
主题:利用路径签名(path signatures)结合浅层与深度学习技术对非Markovian随机波动率模型下的复杂衍生品进行套期保值(hedging)研究。
本报告聚焦于利用路径签名理论在金融衍生品套期保值中的应用,特别是针对具有非Markovian动态的复杂波动率模型问题。报告针对三种方法开展比较:
报告的核心论点:
报告全文兼顾理论性质、算法细节及大量实证验证,结合Heston(Markovian)和Shifted Fractional Bergomi(非Markovian)两种波动率模型,以及三种路径依赖程度递增的支付:欧洲期权、亚式期权和看涨期权。
报告明确展示评级方向为签名方法的优越性和实用潜力,揭示非Markovian市场环境下路径签名的独特价值和优势。,1]
报告详细引入路径签名背后的数学框架,从张量代数开始定义(张量分解、截断张量空间、拼接操作等),建立路径签名的形式化基础,确保读者理解签名可以唯一且紧凑地刻画连续路径的完整信息。路径签名被定义为迭代的Stratonovich积分序列,体现路径的高阶交互信息。
关键术语解析:
本节为后续算法将签名嵌入机器学习模型奠定了坚实的数学基础,是报告技术核心之一。,3,4]
报告定义了标的资产服从具有随机波动率Σt的风险中性测度下动力学,目标为降低平方损失(quadratic hedging):
P(X0,α)=E[(XTα−ξ)2]分别介绍三种拟合与计算方案:
以上分支各有特点,Fourier法依赖具体模型结构,深度套保灵活但训练复杂,线性签名法效率较高但可能受限于高阶签名的维数和截断。,5,6,7]
利用路径签名表示资产价格和波动率路径,作为简单前馈神经网络的输入特征(SNN),解决传统前馈网络无法捕获历史信息的缺陷,同时避免LSTM递归结构训练缓慢的不足。
SNN训练速度远超RNN(单次训练步骤快40倍,整体训练时间快几十倍),且SNN收敛速度快于VNN,这揭示签名特征不仅提升拟合精度,更能显著提高训练效率,展现其实用性。
本节实证结果充分支持使用路径签名作为特征提升深度套保方法表现的论点。
本节聚焦浅层方法的比较:
两者优劣受模型假设和支付函数结构限制:
整体结论是当模型结构较明确且支付函数满足Fourier适用条件时,签名波动率模型配合Fourier法表现优异;而纯线性签名回归方法更具通用性,但效果受限且需优化技术支持。
报告考察签名的不同表述对神经网络训练的影响。
本部分为理论与实际训练细节提供丰富洞见,帮助指导后续模型设计。
展示了前馈式神经元的简单结构及LSTM复杂的门控机制,强调LSTM训练计算需求大,不利大规模并行。为后续SNN与RNN对比提供视觉基础。
蓝线(Signature Fourier近似)与黑线(蒙特卡洛结果)重合且置信区间夹裹,证明Fourier-signature方法在短期波动率定价精度上非常可靠。
展示截断阶数影响,Signature方法训练速度更快且性能更优,且大多数性能提升出现在前3阶。
报告重点识别的风险及限制包括:
报告对不同方法的适用范围进行了精细界定,提出合理风险缓解策略,如选择合适截断阶、结合非线性深度网络、利用带有物理解释的模型约束等。,17-23]
对网络结构的偏向:
报告中虽然表述LSTM训练成本高且易过拟合,但对其结构细节和超参数调优过程探讨不足,可能低估其潜力。
优化非凸性挑战:
特别是线性签名回归中多次提及局部极小值问题,暗含优化问题可能影响结论的稳健性,尚需更系统的优化算法研究。
四ier方法的依赖假设:
采用Fourier基方法必须假设波动率具签名线性结构,且支付函数Fourier可逆,这一假设限制该方法推广至更复杂标的。
截断阶选择的主观性:
截断阶数选择依赖实证调整,缺少理论指导原则,后续研究应考虑自适应截断策略。
整体来看,报告虽然全面细致但在算法复杂性和模型泛化之间存在权衡,关于优化细节和截断理论的深入探讨稍显不足。,24]
该报告全面系统地展现了路径签名在衍生品套保领域的理论和实用价值,结合深度学习和Fourier分析两大现代数值工具,创立了高效捕获非Markovian动态及路径依赖风险的解决方案。
图表及数据详细揭示了各方法在不同场景的表现趋势和量化效果,鼓励金融工程及量化研究者积极利用签名工具,拓展复杂市场下的衍生品风险管理技术。
本报告立足于路径签名的先进数学理论,结合深度神经网络和Fourier分析技术,创新性地解决了非Markovian随机波动率和路径依赖衍生品套保难题。通过理论模型建立、实证分析和算法实现,明确了签名特征在构建记忆机制和高效特征提取的巨大潜力。报告不仅为高阶金融模型的定价与套保提供了新思路,也为机器学习在金融风险管理的应用奠定了坚实基础,兼顾理论深度与实用价值,值得业界关注和后续深入研究。
,1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20,21,22,23,24,25,26,27,28]
图1(第6页)
图2(第9页)
图3(第11页)
图4(第12页)
图5(第14页)
图6(第15页)
图7(第16页)
图8(第19页)
图9(第20页)
图10(第22页)
图11(第25页)
图12(第25页)
图13(第26页)
图14(第26页)
图15(第27页)
图16(第27页)
(全文字数约3000字,已超最低1000字要求)
2508.02759.pdf