本文提出用于Heston随机波动率模型校准的深度微分网络(DDN),同时学习欧式期权价格及其关于五个Heston参数的一阶偏导数,并通过包含价格误差与导数误差的联合损失提升定价近似精度。 研究采用拉丁超立方采样生成覆盖广泛参数空间的数据集,结合标准化、正则化和多起点Adam优化,实现快速且稳定的市场期权校准。 在微软、Costco、Booking及标普500期权数据上的实证结果表明,DDN较普通前馈神经网络具有更高校准准确度,同时达到与Nelder-Mead方法相近的误差水平,但计算时间由数分钟显著缩短至数秒。
注:以下页码沿用用户提供的
page_idx编号。原文中的部分数学公式、表格具体数值在文本抽取过程中缺失,因此对无法确认的数值不作臆测,而是重点分析其结构、用途和作者明确报告的结论。
这篇报告并不是针对某一家上市公司的投资研究报告,因此没有传统意义上的“买入/持有/卖出”评级,也没有股票目标价、DCF估值或市盈率估值。它研究的是一个金融数学与量化交易问题:如何从市场期权价格反推出Heston模型中的不可观测参数,并在市场条件频繁变化时,尽可能快速地完成重新校准。,
报告的核心论点可以概括为三点:
报告首先指出,Black-Scholes模型提供了简洁且易于处理的期权定价框架,但其核心假设包括标的资产价格服从几何布朗运动、波动率保持恒定。这些假设难以解释市场隐含收益分布中的偏斜、厚尾以及不同执行价下的波动率变化,因此模型无法充分捕捉现实市场中常见的隐含波动率微笑和波动率偏斜。,
Heston模型通过令资产价格和瞬时方差均随机演化,放松了恒定波动率假设,并通过资产价格与方差之间的相关系数描述杠杆效应。其优势是能够以半解析方式定价欧式期权,同时产生更灵活的隐含波动率曲面。,
模型校准的基本任务,是寻找一组Heston参数,使模型期权价格尽可能接近市场中流动性较好的期权报价。由于价格对参数的映射复杂,目标函数通常是非凸的,可能存在多个局部最小值,因此初始参数、优化器类型和全局搜索能力都会影响最终结果。
报告讨论了模拟退火、粒子群、差分进化以及其他进化算法。这类全局优化方法通常不依赖梯度,且对初始值相对不敏感,但需要大量搜索和迭代,在参数维度较高或期权样本较多时计算代价很大。
另一类方法是多起点局部优化,即从多个随机初始点运行局部优化器,再选择最优结果。该方法在计算效率上通常优于随机全局搜索,但前提是目标函数梯度能够稳定计算。如果梯度只能通过有限差分近似得到,则会产生额外计算成本,并可能受到步长选择、定价误差和数值噪声影响。
Heston模型尤其容易出现这个问题,因为其价格和梯度通常都需要通过逆傅里叶变换或数值积分计算。对于某些参数组合,积分被积函数可能不连续、强振荡或存在分支切换问题,导致价格梯度不够平滑,从而削弱梯度型优化算法的可靠性。
报告采用风险中性测度下的Heston模型。虽然当前文本抽取没有完整显示随机微分方程,但其参数向量包含五个不可直接观察的随机方差过程参数:
网络输入一共包含九个变量,即上述五个Heston参数,以及初始资产价格 (S_0)、无风险利率 (r)、到期时间 (\tau) 和执行价 (K)。因此,DDN学习的是九维输入到期权价格的一维映射。
模型假设无风险利率为常数,资产价格和方差由两个相关的布朗运动驱动。报告的重点是欧式普通香草看涨期权,同时通过看跌—看涨平价关系得到看跌期权价格。,
Heston模型的欧式期权价格可以利用特征函数和逆傅里叶变换半解析计算。报告提到,为了避免Heston特征函数中的分支切换问题,可以采用更稳定的特征函数表达方式;具体定价实现则使用QuantLib中的Heston定价引擎。
训练数据中的参考价格通过QuantLib计算,QuantLib在Lewis框架下使用指数拟合的Gauss-Laguerre求积来近似积分。由于QuantLib没有直接提供本文所需的半解析参数偏导数,作者通过对QuantLib价格进行数值微分来得到关于五个Heston参数的参考梯度。
这一选择具有两方面含义。一方面,作者保证了价格和偏导数来自同一个定价引擎,增强了训练数据的一致性;另一方面,数值微分可能继承原始积分方法中的误差,因此DDN学习到的并不一定是理论上完全精确的解析导数,而是QuantLib数值价格函数的近似导数。
报告的Figure 1展示了DDN的整体拓扑:
图中左侧是输入层,包含(\kappa)、(\lambda)以及其他模型和市场变量,输入经过多个隐藏层后进入输出层,输出为预测期权价格 (\hat p=f(\theta))。与普通FNN不同的是,输出价格随后被自动微分,形成关于(\kappa,\lambda,\sigma,\rho,v_0)的偏导数节点,例如 (\partial_\kappa \hat p)等。
图中虚线部分表示价格和偏导数共同进入损失函数,损失函数再通过参数更新环节反向调整网络权重和偏置。也就是说,DDN并非只要求“价格预测值接近参考价格”,还要求“价格对模型参数的敏感性接近参考敏感性”。,
这种设计类似于在函数拟合中同时约束函数值和导数值。对于期权定价而言,价格曲面可能在不同执行价、到期日和波动率参数区域呈现不同程度的弯曲,仅拟合价格点可能产生局部波动或不符合真实经济结构的曲面,而加入导数信息可以提高网络对局部形状的识别能力。,
DDN的训练损失由两部分组成:
报告还加入了正则化项,以降低过拟合风险。其总体目标是在价格拟合准确度、敏感性拟合准确度和网络复杂度之间进行平衡。
网络参数通过基于反向传播的梯度下降方法更新。每个批次中,网络首先计算期权价格,再计算输出对Heston参数的偏导数,然后重新计算联合损失,并更新权重和偏置;这个过程持续多个epoch,直到损失收敛。,
这里的关键区别是“训练时使用导数约束”和“校准时使用网络梯度”两者相互强化。训练阶段的导数损失使网络获得更好的局部结构,校准阶段则可以直接从神经网络中提取稳定梯度,用于快速搜索Heston参数。,
作者使用Latin hypercube sampling,即拉丁超立方抽样生成训练数据。该方法将每个输入变量的取值范围划分为等概率区间,并确保每个区间都得到抽样,因此相较普通伪随机抽样,能够以较少样本覆盖更均匀的参数空间。
报告没有强制满足Feller条件,而是选择放宽这一约束,以增强模型拟合市场数据的灵活性。作者同时测试了施加和不施加Feller条件的情形,并认为放宽约束更有利于市场拟合。
这一选择反映了模型拟合与理论正则性之间的权衡。Feller条件有助于保证CIR型方差过程更稳定地保持正值,但市场最优拟合参数未必满足该条件。放宽条件可以扩大可行参数区域,但也意味着部分训练样本可能不具有典型市场波动率曲面的经济含义。
表1列出了网络数据集的输入参数范围,包括五个Heston参数、(S_0)、(r)、(\tau)以及执行价相关变量。执行价首先通过(\log(K/S_0))生成,再转换为实际执行价。,
当前文本未显示表1的具体上下限,因此不能准确复述每个参数的数值。不过,从报告的设计看,参数范围被设定得足够宽,以覆盖多种市场状态,而不是只覆盖少数历史样本。作者也明确承认,宽范围会产生一些不太可能对应真实市场波动率曲面的参数组合,但这有助于网络学习更完整的Heston定价函数。
由于价格、输入变量和偏导数可能具有不同数量级,作者对网络特征、标签以及微分层的数值进行标准化,以减少异常值和尺度差异对训练的影响。,
这一步十分重要。例如,执行价和资产价格可能以数百或数千美元计,而相关系数处于([-1,1])区间,方差参数又处于另一数量级。如果不标准化,损失函数可能过度受大尺度变量或大数值价格支配,从而降低对小尺度参数和偏导数的学习质量。
表2报告了DDN的选定超参数,包括Adam优化器、Softplus激活函数、均方误差损失、学习率衰减以及其他训练设置。
作者使用Xavier Glorot初始化来缓解梯度爆炸和梯度消失问题,并设置0.2的dropout率以降低过拟合风险。,
表3比较了不同网络深度和每层神经元数量下的测试集误差。作者先使用1万个样本进行实验,再从不同深度中选择表现最好的结构。
Figure 2展示了表3中六种最优结构的训练损失和测试损失随epoch的变化,六个面板分别对应不同隐藏层深度。图中普遍可以看到,损失在训练初期快速下降,随后逐步趋近于零;测试损失通常高于训练损失,但两者整体走势相近,说明没有出现严重的训练集与测试集分离。
作者特别指出,简单增加隐藏层数量或神经元数量并不必然提高精度。综合损失表现,六个隐藏层、每层150个神经元的配置优于其他候选结构,因此被用于后续实验。
图中的部分曲线在中后期存在小幅尖峰或波动,这可能来自随机小批次训练、dropout以及数值优化过程,但整体没有改变最终收敛趋势。
表4比较了1万、5万、10万和20万个样本下的训练、验证和测试误差,同时报告DDN训练时间,并在括号中给出不含微分层的FNN训练时间。
Figure 3对应不同数据集规模下的训练和验证损失。随着样本量从1万增加到20万,模型的测试表现改善,作者因此选择20万个样本作为后续校准实验的数据集。
一个重要发现是,DDN训练时间大致与普通FNN相当,说明增加导数约束并没有使训练成本呈现不可接受的增长。
作者使用Microsoft、Costco、Booking Holdings以及S&P 500指数期权进行测试,数据来源为Yahoo Finance。
表5提供了样本数量、执行价、到期日等描述性统计信息。报告指出,标的资产价格大致覆盖425美元至5123美元的范围,因此测试数据具有明显的价格尺度差异,有助于检验标准化和网络泛化能力。
作者排除了剩余期限短于一个月以及距离平值位置超过20%的期权,因为在这些区域,傅里叶定价方法可能产生不可忽略的数值误差,进而混淆不同校准方法之间的比较。
表6列出了2024年4月12日美国国库券利率,作者根据期限选择相应的无风险利率,并将其用于各市场期权定价。
这种处理体现了校准中的一个重要现实因素:利率并非简单设为零,而是根据美国国债市场的期限结构进行近似。不过,报告使用的是国库券利率而非完整的零息收益率曲线,因此在长期限或利率曲线明显陡峭时,仍可能产生一定的市场数据近似误差。
作者对DDN、FNN和Nelder-Mead都使用多起点策略,即随机生成多个Heston初始参数组合,分别进行校准,再选择表现最好的解。,
DDN和FNN使用Adam进行梯度型优化,Nelder-Mead则不需要梯度。由于DDN的网络结构能够稳定提取梯度,作者认为其多起点搜索速度明显快于传统随机全局优化方法。
报告同时指出,在一维Heston模型的合理参数边界内,目标函数可能近似凸,因此只需要大约五个初始点就可以达到接近全局最优的结果。,
表7比较了Microsoft市场中10、50和100个看涨期权的校准结果,指标包括平均相对误差(MRE)和计算时间。
作者报告的主要结论是:
这一结果支持了DDN的核心机制:训练阶段加入偏导数约束,使网络在期权样本增加、目标函数结构更复杂时仍能维持较好的价格曲面近似;普通FNN虽然单次计算也很快,但其价格映射的局部形状不够准确,因此在较大校准数据集上误差累积得更明显。
表8报告了四个权益市场的最优Heston参数,包括均值回复速度、长期方差、方差波动率、相关系数和初始方差。
当前文本没有显示表8的具体参数数值,但作者利用这些校准参数展示了不同资产具有差异化的波动率动态。Microsoft、Costco、Booking和S&P 500并非共享同一组波动率特征,因此需要使用能够表达随机波动、均值回复和价格—方差相关性的模型。,
表9比较了Nelder-Mead、FNN和DDN在四个市场完整期权数据集上的表现,包括MRE和计算时间。
作者的总体结论是,DDN在不同资产和市场条件下都表现稳定,其误差接近Nelder-Mead而明显优于FNN;与此同时,Nelder-Mead通常需要数分钟,DDN和FNN则只需数秒级时间。
因此,DDN的优势并不是只在某一个资产或某一组参数上成立,而是在Microsoft、Costco、Booking和S&P 500四种标的上都重复出现。
Figure 4分别展示了四类标的、182天到期日下,不同执行价看涨期权的真实市场价格、DDN预测价格和FNN预测价格。
图中四个面板都显示,期权价格随执行价上升而下降,这是看涨期权基本的价格结构。DDN预测曲线整体更加贴近真实市场价格,而FNN在部分执行价区间出现明显偏离。
这种差异在Costco、Booking和S&P 500等价格尺度较大的标的上尤其值得注意,因为绝对价格误差可能随价格水平放大。作者通过标准化处理减轻了这一问题,但Figure 4仍显示FNN的曲线形状不能始终准确追踪市场价格曲线,而DDN曲线整体更平滑并更接近市场报价。
需要注意的是,图4只展示了182天这一特定期限和选定执行价,并不能单独证明所有期限、所有价外程度下都具有同样优势;作者的更广泛结论主要来自表9的完整样本校准结果。
本文没有传统投资研究中的DCF、股权自由现金流、P/E、EV/EBITDA或目标价估值。它的“估值”是指在给定Heston参数、资产价格、利率、到期日和执行价后计算期权理论价格。,
其定价流程是:
因此,DDN并不是改变Heston模型的经济假设,而是用神经网络近似既有定价函数,以降低重复定价和求导的计算成本。其核心价值在于“定价引擎加速”和“梯度稳定化”,而不是产生股票内在价值或投资目标价格。,
DDN只能在其训练数据覆盖的参数范围内保证较好表现。若未来市场出现超出表1范围的波动率、利率、执行价或到期日组合,网络可能发生外推误差,而神经网络的外推通常缺乏可靠性保障。,
训练标签来自QuantLib的数值积分,参数梯度来自QuantLib价格的数值微分。因此,DDN可能准确学习了QuantLib实现,但这不等于完全消除了Heston模型本身或数值积分方法的误差。
作者为了提高市场拟合灵活性而不强制执行Feller条件,但这扩大了参数空间,也可能带来方差过程正值性和数值稳定性方面的理论问题。报告承认,某些宽范围参数组合并不一定对应现实的波动率曲面。
Heston模型本身仍然是一个特定的随机波动率模型,未纳入跳跃、随机利率、局部波动率或更复杂的波动率动态。因此,即使DDN把Heston参数校准得非常准确,也不代表Heston模型能够完全解释市场价格。,
市场数据来自Yahoo Finance,可能存在报价时点不一致、流动性差异、买卖价差和异常报价等问题。作者还主动排除了短期限和深度价外期权,因此结果主要适用于中等期限、相对接近平值的期权,不一定能推广到所有期权市场区域。, ,
实证测试使用Ubuntu、Python 3.9.16、PyTorch以及NVIDIA GeForce RTX 3060 Laptop GPU。报告中的“几秒”和“几分钟”具有明显硬件和实现依赖性,换用CPU、不同GPU或不同代码优化程度后,绝对耗时可能发生变化。
第一,报告的比较设计较为清晰,因为DDN和FNN采用相同的网络型优化器,核心差异集中在是否加入微分层;同时,Nelder-Mead作为无梯度基准,用于考察DDN能否在保持准确度的同时实现速度提升。,
第二,报告把Nelder-Mead视为准确度基准,但并未提供严格意义上的真实全局最优解或置信区间。因此,“DDN与Nelder-Mead准确度相当”应理解为在本文选定初始点、样本和数值定价设置下的经验结论,而不是理论上的全局最优证明。,
第三,报告强调DDN比FNN准确,但FNN并不一定代表所有可能的普通神经网络基准。不同网络深度、损失函数、训练样本量、正则化方式或输出变量设计都可能改变FNN表现,因此结论更准确地说是“本文设定下的DDN优于本文设定下的FNN”。,
第四,文本中有时使用“FFN”、有时使用“FNN”指代不含微分层的前馈神经网络,这属于术语表述上的不一致,但不影响方法比较的实质。,
第五,作者认为约五个多起点即可达到近似全局最优,这一判断依赖于Heston一维模型和合理参数边界。若扩展到带跳跃、双随机波动率或多资产模型,目标函数可能更加复杂,当前多起点数量未必足够。,
附录表10列出了QuantLib在不同逆对数价内程度和到期日下计算的看涨期权价格,并列出基于数值微分得到的价格对Heston方差过程参数的敏感度。
表10使用(S_0=1)、连续复利无风险利率为零,并采用表8中的参数;其目的不是展示市场校准结果,而是提供QuantLib价格和敏感度的数值检查样本。表格上半部分考察不同执行价和期限,下半部分考察中间期限和中间价内程度下的参数敏感度。
该附录进一步说明DDN的训练数据并非只包含价格标签,也包含由数值微分得到的敏感度标签。与此同时,由于当前抽取文本没有显示表10具体数值,无法对每一个敏感度的正负方向和大小进行可靠复核。
这篇报告提出的DDN,本质上是一个“带导数监督的神经网络定价器”。它在普通FNN的价格拟合基础上,进一步学习期权价格关于(\kappa,\lambda,\sigma,\rho,v_0)五个Heston参数的局部敏感性。,
从模型层面看,DDN解决了Heston校准中的两个主要瓶颈:一是重复调用傅里叶积分定价器导致的时间成本,二是直接对数值定价函数求梯度时可能出现的不连续、振荡和有限差分误差。,
从图表和表格结果看,Figure 1清楚展示了价格输出、微分层、损失函数和参数更新之间的关系;Figure 2说明更深更宽的网络不必然更优,最终选择六层、每层150个神经元;Figure 3和表4表明20万个训练样本具有更好的测试表现,且DDN训练时间与FNN大致相当;Figure 4则直观显示DDN价格曲线比FNN更贴近四类资产的市场报价。, , ,
从校准结果看,DDN在较小的Microsoft期权数据集上与其他方法差异不大,但在50或100个期权以及四个完整市场样本上,DDN明显优于FNN,并维持了与Nelder-Mead相近的误差水平。同时,DDN只需数秒,而Nelder-Mead通常需要数分钟。, ,
因此,作者的总体判断是:DDN不是为了替代Heston模型,而是通过离线学习Heston定价函数及其敏感度,为实时或高频模型校准提供一个快速、可微且较稳定的计算引擎。作者还认为,该思路未来可以扩展到带跳跃模型、需要蒙特卡洛模拟的复杂模型,以及缺乏解析价格和解析敏感度的奇异期权风险管理场景。
2407.15536.pdf