加载中...
AI 原生量化投研平台AI-native quantitative research platform
正在打开工作台Opening your workspace
页面仍在加载，可以继续等待，或重新加载。The page is still loading. You can keep waiting or reload.
部分页面资源未能加载，请重新加载。Some page resources could not load. Please reload.
设备当前处于离线状态，恢复连接后可以继续等待或重新加载。Your device is offline. Once connected, you can keep waiting or reload.
本文研究连续时间衍生品定价中的神经网络分层因子构建问题，证明在高斯因子及协方差秩最终保持条件下，条件期望与条件分布具有连续性，并结合神经网络的稠密性建立可行分层因子的通用逼近定理。数值实验表明，所学习的因子在G2++模型CMS区间累计产品和Wishart模型最差表现自动赎回产品中均较基准因子取得更高解释方差和更强的蒙特卡洛方差降低效果。
报告标题： On the Continuity of Conditional Distributions and Stratification for Derivative Pricing，可译为《条件分布的连续性与衍生品定价中的分层抽样》。报告作者为 Aleksandar Arandjelović 与 Patrick Cheridito，发布日期标注为 2026 年 10 月 23 日；原文没有提供作者所属机构，因此机构信息无法从报告中确认。 报告主题并非某一家上市公司的投资价值，而是金融衍生品定价中的蒙特卡洛方差缩减、条件分布连续性以及神经网络分层因子的构造。
报告的核心论点可以概括为三层：第一，在复杂、路径依赖和高维的连续时间金融模型中，分层抽样能够显著降低蒙特卡洛估计的方差，但效果高度取决于所选择的低维分层因子；第二，作者从数学上证明，在高斯型分层因子收敛且协方差矩阵秩最终保持不变的条件下，相关条件期望和条件分布具有连续性；第三，结合神经网络对函数空间的稠密逼近性质，可以证明神经网络因子在理论上能够逼近任意可接受的最优分层因子，并在两个衍生品案例中取得优于传统启发式因子的实证结果。,
这是一篇方法论和数值实验型研究报告，没有传统证券研究报告中的买入、持有或卖出评级，也没有股票目标价、企业估值区间或投资建议。报告中的“估值”主要指对衍生品现金流的蒙特卡洛定价，而非对发行人股权价值的估值。,
报告将衍生品价值抽象为
[
V=E[H(X)],
]
其中 (X) 是可能具有多个风险因子的随机过程，(H(X)) 是可积的、可能具有路径依赖性的折现支付函数。 当模型包含多个风险因子，或者支付取决于整个价格、利率或波动率路径时，通常难以获得封闭形式解，因此需要模拟大量路径并计算相应支付。
对于独立样本构造的普通蒙特卡洛估计量，若支付方差为 (v=\operatorname{Var}(H(X)))，则估计量方差为 (v/N)，均方误差收敛速度为 (N^{-1/2})。该收敛速度在形式上不直接依赖风险因子维度，因此蒙特卡洛方法特别适用于复杂高维模型；相比之下，有限差分和数值积分等确定性方法往往会遭遇维度灾难。
然而，蒙特卡洛的主要缺点是收敛速度较慢。若要将标准误差大致减半，通常需要将模拟路径数增加约四倍；当支付本身方差很大，或者期权深度虚值、绝大多数模拟路径支付为零时，相对方差可能非常高，导致获得稳定的相对精度需要大量计算。 原文在该处的公式排版存在明显转录错误，但其经济含义是清楚的：估计量方差按 (1/N) 下降，标准误差按 (1/\sqrt N) 下降。
报告回顾了反向变量、控制变量、重要性抽样、分层抽样和准蒙特卡洛等方差缩减方法。控制变量依赖与支付高度相关且期望已知的辅助变量，重要性抽样则改变抽样测度，使重要事件获得更高模拟权重；分层抽样则按照某个因子把样本空间切分，在每个区域内独立抽样，再按照区域概率加权平均。,
设 (Y) 是与支付相关的低维分层因子，把 (Y) 的取值空间划分为若干互不相交的区域，并分别从条件分布 (H(X)\mid Y\in D_k) 中抽样。分层估计量是各层条件均值的概率加权和，因此在分层设计正确时仍然是无偏的。,
在比例分配，即每个分层获得的样本数与该层概率成比例的情况下，方差缩减的核心指标是： [ \operatorname{Var}(E[H(X)\mid \sigma(Y)]). ] 该量衡量分层因子能够解释多少支付波动。因而，寻找有效分层因子等价于尽可能最大化条件期望的方差，也就是最大化支付方差中可以由 (Y) 解释的部分。
这一区分非常重要：报告并不是直接寻找使支付本身方差最小的变量，而是寻找一个因子，使不同因子取值对应的条件支付均值差异尽可能大。若因子能够将高支付区域与低支付区域有效分开，层内支付波动就会下降，整体估计方差也会下降。,
作者考虑由连续局部鞅 (M) 驱动的连续时间过程 (X)。过程 (X) 是随机微分方程的强解，可以写成某个可测路径映射 (\Phi) 作用于驱动过程的结果，即 (X=\Phi(M))；最终支付记为 (G=H(X))，并假设 (G) 平方可积。,
这一框架覆盖了多种金融模型，包括多维 Itô 扩散、利率模型、随机波动率模型以及路径依赖期权。报告还通过广义几何模型说明其设定包含几何布朗运动：当漂移和扩散系数取适当形式时，可得到指数形式的资产价格过程。
作者利用驱动鞅的确定性二次协变差构造 Hilbert 空间 (\Lambda^2)，其中的元素是确定性可积函数。对 (f\in\Lambda^2)，定义高斯积分因子： [ I(f)=\int_0^1 f(t)^\top dM_t. ] 该映射是从 (\Lambda^2) 到 (L^2(P)) 的线性等距映射，因此积分因子的 (L^2) 距离等于确定性被积函数在 (\Lambda^2) 中的距离。
若取 (q) 个被积函数组成矩阵 (F=(f_1,\ldots,f_q))，则 [ Y_F=(I(f_1),\ldots,I(f_q)) ] 是一个均值为零的高斯向量，其协方差矩阵记为 (\Sigma_F)。当这些列向量在 (\Lambda^2) 中线性无关时，(\Sigma_F) 正定，分层因子是非退化的；作者进一步将其标准化为协方差矩阵为单位阵的高斯向量。
神经网络的每个输出坐标被用于生成一个确定性积分函数，因而网络参数 (\theta) 通过 (F_\theta) 产生高斯分层因子 (Y_\theta)。作者定义的优化目标是： [ J(\theta)=\operatorname{Var}(E[G\mid \sigma(Y_\theta)]). ] 最大化该目标，就等价于在比例分配下最大化分层能够解释的支付方差。
这一目标具有明显的非凸性。报告通过两个高斯例子说明，目标函数既不必然凸，也不必然凹，并且可能存在次优的严格局部极大点。例如，在一个支付只依赖一个高斯方向的情形下，将因子混入无关方向会降低目标；而在另一个非线性支付例子中，某个方向可能成为局部最优，但另一个方向的全局目标值更高。
因此，神经网络在这里并不提供一个可以保证找到全局最优解的凸优化程序，而是提供了一个灵活的参数化搜索空间，配合随机梯度方法寻找较优分层方向。 这是报告方法的现实限制之一：理论上可以证明“存在足够好的网络”，但不能保证有限样本、有限训练轮数和特定初始化能够找到该网络。
对于标准化的高斯因子 (Y_F)，作者构造了驱动过程的条件分解： [ M=R+K_F(\cdot)Y_F, ] 其中 (R) 与 (Y_F) 独立，(K_F) 是驱动过程与因子的协方差函数。
因此，在给定某个分层区域 (D_k) 后，可以先从截断高斯分布中抽取 (y\sim N(0,I_q\mid D_k))，再独立生成残差过程 (R)，形成条件驱动路径 (M^{F,y})，最后通过解映射 (\Phi) 计算 (H(\Phi(M^{F,y})))。这一构造使得连续时间高斯模型中的条件分层可以被实际模拟，而不必依赖抽象的条件分布表示。
如果 (F_n\to F) 于 ((\Lambda^2)^q)，则对应的高斯因子 (Y_{F_n}\to Y_F) 于 (L^2)。但这并不自动意味着 [ E[G\mid \sigma(Y_{F_n})]\to E[G\mid \sigma(Y_F)]. ] 原因在于，即使随机变量本身非常接近，其生成的条件信息集合也可能完全不同。,
报告的 Example 3.1 用 (Z) 和独立标准正态变量 (W) 说明这一点。令近似因子为 (Z+\varepsilon_nW)，其中 (\varepsilon_n\to0)，极限因子为零。虽然近似因子收敛到零，但每一个近似因子仍然包含关于 (Z) 的显著信息，条件期望并不会收敛到对平凡信息集的条件期望。
这个例子揭示了“随机变量收敛”和“生成的σ-域收敛”之间的差异。对于金融应用而言，这意味着网络因子在数值上接近某个目标因子，并不自动保证其条件支付分布也接近目标条件分布。
Theorem 3.4 给出报告的核心连续性结果：若 (F_n\to F)，并且 (\Sigma_{F_n}) 的秩在充分大的 (n) 上始终等于 (\Sigma_F) 的秩，则对于任意平方可积随机变量 (Z)，条件期望 [ E[Z\mid \sigma(Y_{F_n})] ] 在 (L^2) 中收敛到 [ E[Z\mid \sigma(Y_F)]. ] ,
其证明的关键是把因子变换到正交坐标。对于满秩情形，作者将 (F_n) 和 (F) 分别通过协方差矩阵的逆平方根标准化，使对应的列向量成为 (\Lambda^2) 中的正交族。由于标准化矩阵连续且可逆，标准化前后的因子生成相同的σ-域；随后利用高斯空间中指数函数、正弦函数和余弦函数的稠密性，证明条件期望对这些测试函数收敛，再推广到一般 (L^2) 随机变量。,
秩保持不是技术上可有可无的条件。报告构造了 (F_n=(g,\varepsilon_nf)) 收敛到 (F=(g,0)) 的反例。每个 (F_n) 仍然有二维信息，能够恢复 (Z) 和 (W) 两个方向，而极限因子只保留 (W)；因此近似条件期望收敛到 (Z)，而极限条件期望为零。, 这说明在协方差矩阵发生降秩时，微小的第二个方向可能携带不可忽略的信息。
条件分布比条件期望要求更强。报告指出，即使对每一个固定有界连续测试函数 (\varphi)，条件期望 [ E[\varphi(G)\mid \sigma(Y_{F_n})] ] 都收敛，也不能立即推出条件概率测度在弱拓扑下收敛，因为弱收敛度量涉及对一整个函数族取上确界。
Example 3.5 展示了更严重的现象：两组近似因子具有相同的协方差矩阵，且都收敛到同一个秩为一的极限因子，但其中一组对应的条件分布收敛，另一组却在有界-Lipschitz距离下始终与极限条件分布保持正距离。, 这说明“协方差路径相同”并不足以决定奇异极限下条件分布的行为，逼近方向本身也很重要。
Theorem 3.7 在秩最终保持不变的条件下，证明了条件分布在弱拓扑下依概率收敛，并且有界弱度量的 (L^p) 收敛对任意有限 (p) 成立。, 这为用神经网络近似分层因子提供了比单纯条件均值连续性更完整的理论支持。
作者选取有界、连续且非恒定的激活函数，并令神经网络类在 (\Lambda^2) 中稠密。对于任意协方差矩阵正定的可接受因子 (F)，都存在神经网络序列 (F_{\theta_n}) 收敛到 (F)，且相应的条件均值和条件分布分别收敛。,
进一步地，神经网络因子的解释方差 [ \operatorname{Var}(E[G\mid \sigma(Y_{\theta_n})]) ] 收敛到原始因子的解释方差。因此，对于任意误差容忍度 (\varepsilon>0)，都能找到一个网络，使其解释方差至少达到目标因子的解释方差减去 (\varepsilon)。
这就是报告所谓的“普适逼近定理”。但必须注意，它是存在性结果而非算法收敛结果。报告明确承认该结论是非构造性的，尚未证明实际随机梯度训练一定能收敛到相应网络，也未充分处理训练数据有限时的统计误差。
报告没有使用DCF、P/E、EV/EBITDA或可比公司估值。其核心估值方法是带方差缩减的蒙特卡洛定价。作者利用投影恒等式，将问题转化为联合最小化 [ E[(G-h_\vartheta(Y_\theta))^2], ] 其中 (Y_\theta) 是待训练的分层因子，(h_\vartheta) 是用于逼近条件支付均值的辅助神经网络。
实验使用一维、二维和三维因子。每个坐标被划分为等概率标准正态区间：一维为4096个区间，二维为每个坐标64个区间，三维为每个坐标16个区间，因此每种维度下总分层数均为4096。每个估计量使用 (N=2^{19}=524,288) 条支付路径，在比例分配下每层分配128条样本。
评价指标包括：
报告还设置了Glasserman等人提出的两类启发式基准：基于最优漂移方向的GHS drift，以及基于 (\log G) Hessian特征向量的GHS Hessian；此外还使用利率水平、利率斜率、平滑支付梯度以及Wishart模型中的收益主成分作为模型相关基准。,
第一个案例是五年期双条件CMS range accrual。短期利率采用G2++模型： [ r_t=\phi(t)+x_t+y_t, ] 其中 (x_t) 和 (y_t) 由两个相关的高斯利率因子驱动。模型参数为 (a=0.10)、(\sigma=0.010)、(b=0.50)、(\eta=0.015)、(\rho=0.70)，初始利率因子均为零，初始平坦贴现曲线对应2%的利率水平。
产品的累计条件同时依赖10年期CMS利率 (R_t^{(10)}) 和10年期与2年期CMS利差 (S_t=R_t^{(10)}-R_t^{(2)})。只有当两者同时落入围绕初始值的区间时，观察日才累计票息；区间半宽分别为 (h_R=0.008) 和 (h_S=0.004)，年票息率为6%，按季度支付。
由于原始区间指示函数导致支付对高斯冲击不光滑，作者使用平滑函数替代指示函数，以构造梯度和Hessian类基准因子。该平滑代理只用于构造部分基准，并不等于原始产品本身的真实支付。
表1比较了不同因子维度和不同因子的解释方差比与方差缩减效果，普通蒙特卡洛价格估计为0.14853。
主要结果如下：
这些结果显示，增加因子维度能够把多个与支付相关的方向同时纳入。特别是该产品同时受到CMS绝对水平和CMS曲线斜率影响，因此仅使用单一方向会遗漏部分支付结构，而二维和三维因子可以明显改善分层效果。,
从理论关系看，在理想比例分配和足够细分层下，若EV ratio为 (e)，剩余层内方差比例大致为 (1-e)，VR可近似为 (1/(1-e))。例如EV ratio为76%时，理论VR约为4.17，与实验中的4.3相近；EV ratio为88%时，理论VR约为8.3，但实际VR仅超过5，说明有限分层数、层内样本数、离散化和估计误差仍然限制了实际收益。, ,
图1由三个二维等高线面板组成，横轴和纵轴分别是学习因子的两个坐标，颜色代表在给定因子取值下，满足相应条件的监测日期比例。三个面板的无条件平均值分别为：CMS spread条件65.8%、10年期CMS条件75.3%、两者同时满足51.6%。
左图显示，满足CMS spread条件的高概率区域集中在一条较窄且倾斜的带状区域，说明利差条件主要依赖学习平面中的某个倾斜方向。中图的10年期CMS条件呈现更宽、更接近水平的高概率带，表明绝对CMS利率的驱动方向与利差条件并不相同。右图的联合累计条件呈现围绕中心的椭圆形高概率区域，反映两个条件同时满足时，只有部分重叠区域能够贡献较高累计比例。
图1直接支持了表1中二维因子优于一维因子的结论：两个单独条件的高概率带方向不同，因此一个标量因子难以同时刻画两类风险，而二维学习因子可以在平面中同时保留两种方向。 需要注意的是，图中的曲面是嵌套蒙特卡洛估计结果，而不是解析条件概率；边界附近的细节可能受到有限样本、时间离散化和平滑估计误差影响。,
第二个案例是三资产Wishart随机协方差模型下的worst-of autocallable。模型包含三维资产价格、随机协方差矩阵以及相关布朗运动，参数包括长期均值回复速度 (\kappa=1.5)、协方差漂移参数 (\alpha=5)、无风险利率2%、初始资产价格均为100，以及不同的股息率。
产品期限为三年，前一年不可赎回，此后每季度观察一次，共九个观察日。每次观察时，取三只资产相对初始价格表现的最小值作为worst-of表现；如果最差资产不低于100%，则发生自动赎回并支付本金及相应票息。如果到期仍未赎回，且最差表现不低于60%，则返还本金和票息；若跌破60%保护水平，则本金按最差资产表现减少。
该支付具有明显的离散事件和非线性结构：自动赎回时间、最差资产切换、保护水平是否被击穿都会导致支付函数发生不连续或高曲率变化。因此，传统局部梯度方向不一定能够有效概括支付风险，模型主成分和神经网络因子具有比较意义。
表2显示，return-PC，即由长期协方差矩阵的主成分构造的收益主成分因子，在传统基准中表现最好。其EV ratio从一维时约52%提高到三维时约62%，VR约在2.1至2.6之间。
神经网络直接优化进一步提升了结果：一维、二维和三维学习因子的EV ratio分别约为57%、66%和70%，并且在每个因子维度下都取得最大的VR。 二维因子已经实现了大部分收益，VR达到2.870；三维时EV ratio继续提高到约70%，但VR反而从2.870小幅下降到2.847。
这一点是一个值得注意的细节：解释方差比提高并不必然意味着实际分层估计的VR同步提高。可能原因包括三维分层后每一层样本结构、有限的总路径数、每层估计噪声和条件采样误差等。换言之，理论目标是EV ratio，但实际定价表现还取决于分层设计和每层样本量。,
图2包含六个条件概率面板。整体事件概率为：自动赎回44.4%，不自动赎回55.6%；自动赎回中，首次可赎回日发生的概率为23.7%，较晚自动赎回为20.7%；不自动赎回中，受保护的no-call结果为30.5%，保护水平被击穿为25.1%。这些概率之间具有清晰的加总关系：23.7%+20.7%=44.4%，30.5%+25.1%=55.6%。,
从图形结构看，自动赎回概率主要集中在学习因子平面下方的弯曲区域；首次赎回区域与稍晚赎回区域相邻但并不完全重合，说明因子不仅区分“是否赎回”，还在一定程度上区分赎回时间。no-call区域在平面上方占据更大范围，其中受保护no-call和保护击穿之间又存在一条明显过渡带。,
沿着图中间位置由下向上移动，事件概率大致依次从首次赎回转向较晚赎回，再转向受保护的no-call，最后转向保护击穿。该排序说明学习因子捕捉到了一条贯穿多个合同状态的结构性风险轴：因子取值变化不仅改变收益大小，而且改变支付事件的类型和时点。
第一，连续性结论依赖高斯型线性积分因子、(L^2) 收敛以及协方差矩阵秩最终保持不变。秩发生变化时，条件期望和条件分布可能不连续，报告本身提供了多个反例。, ,
第二，研究假定存在强解、路径唯一性、确定性二次协变差以及平方可积支付。这些假设有助于建立严谨理论，但并不覆盖所有实际金融模型，特别是含跳跃、非高斯驱动、不可观测状态或复杂随机系数的模型。,
第三，神经网络稠密性是函数逼近层面的结论，不等于训练算法能够找到理想网络。目标函数非凸，存在次优局部极大点，因此不同初始化、训练样本和优化超参数可能导致不同结果。,
实验依赖时间离散化。G2++模型使用业务日网格，Wishart模型使用固定时间步长和投影Euler方法，并且对协方差矩阵的小特征值进行截断；这些数值处理会引入离散化误差和模型近似误差。,
GHS和梯度基准需要平滑支付代理，而真正的CMS累计支付和自动赎回支付包含不连续事件。平滑代理可能改变局部梯度和Hessian方向，因此这些基准的弱表现不能完全解释为其理论方法本身无效，也可能反映了“平滑支付”与真实支付之间的差异。,
实验只比较了若干手工选择的基准因子，不能据此断言神经网络优于所有可能的分层、控制变量、重要性抽样或准蒙特卡洛方法。报告更准确的结论是：在所选择的两个模型、两个产品和若干指定基准中，学习因子取得了最佳或接近最佳结果。,
报告强调学习因子在两个案例中全面胜出，但Wishart案例显示三维EV ratio继续上升而VR略降，这提醒读者，优化理论指标和最终定价效率并不完全等价。 此外，CMS案例中三维EV ratio约88%，但VR仅略高于5，说明有限样本实现效果明显低于无限样本下由解释方差比例推导的理想收益。
报告还提出了产品市场背景，例如CMS区间累计票据和worst-of自动赎回票据在市场上具有相近结构，但案例产品是简化的示例，并不对应某一具体证券。因此，实验结果不能直接外推为某个实际发行产品的定价结论或投资建议。,
总体而言，报告建立了一个从“分层因子选择”到“神经网络逼近”再到“衍生品蒙特卡洛方差缩减”的完整框架。其理论贡献不在于提出一个简单的网络结构，而在于解决了一个基础问题：当最优分层因子只能通过数值近似获得时，近似是否会导致条件支付均值和条件支付分布发生不可控跳变。作者证明，在高斯线性因子收敛且协方差秩保持的条件下，这种近似是稳定的；同时通过反例明确说明，奇异极限和秩变化时稳定性可能失败。,
数值结果支持该方法的实际价值。对于G2++模型中的CMS区间累计产品，学习因子将一维EV ratio提高到约49%，二维约76%，三维约88%，并在所有维度超过所比较的传统基准。 图1进一步显示，CMS利差条件和10年期CMS条件对应不同方向的风险结构，解释了二维和三维分层为何能够明显改善效果。
对于Wishart模型中的worst-of自动赎回产品，学习因子的EV ratio从一维约57%提高至三维约70%，二维VR达到2.870；图2显示该因子能够沿连续的结构轴区分首次赎回、较晚赎回、受保护不赎回以及保护击穿等不同合同状态。,
因此，作者的总体判断是：神经网络是复杂路径依赖衍生品中构造低维有效分层因子的有前景工具，且具有理论上的普适逼近基础；但该结论仍受秩保持、高斯结构、离散化、非凸训练、有限样本和非构造性证明等因素限制。未来研究需要处理非线性或高阶Wiener chaos因子，研究实际训练算法的收敛性，并评估学习因子和最终分层估计量的统计性质。
2610.32970.pdf