以下为对论文“Deep g-Pricing for CSI 300 Index Options with Volatility Trajectories and Market Sentiment”一篇金融/机器学习交叉研究报告的逐章、逐表、逐图的详尽解构与分析。分析尽量逐条剖析报告中的每一处关键论点、模型假设、数据与图表含义,并指出潜在局限与可改进之处。凡直接取自原文的结论或推断,句末均标注溯源页码 [page::n](若同一句引用多处原文,则最多并列两页)。
一、元数据与概览(引言与报告概览)
报告题目:Deep g-Pricing for CSI 300 Index Options with Volatility Trajectories and Market Sentiment(深度 g 定价:结合波动率轨迹与市场情绪的 CSI 300 指数期权定价)1 。
作者与机构:Yilun Zhang, Zheng Tang, Hexiang Sun, Yufeng Shi(对应多处山东大学、相关研究所/学院隶属)并标注通讯作者 yfshi@sdu.edu.cn 1 。
研究主题与目标:在 FBSDE(Forward–Backward SDE)框架中,提出“双网络”结构(value network u_θ 与 generator network g_φ),引入预测的波动率轨迹(来自高频 RV 预测模型)与基于论坛文本的市场情绪特征,学习一个非线性定价生成器 g,从而改善对 CSI 300 指数期权的定价精度并增强可解释性。1 4
核心结论摘要(作者陈述):相较于经典 BSM,作者方法在实证上将 MAE 降低 32.2% 且 MAPE 降低 35.3%;并得出“信息依赖对看涨/看跌不对称”的结论:看涨(call)改善主要由情绪驱动,而看跌(put)则由波动轨迹与情绪共同贡献(具体数值与分解见解释性分析部分)。1 22
二、逐节深度解读(遵循报告结构)
引言与文献背景(Section 1)
作者指出 BSM 的核心局限:常数波动率、线性生成器 g(t,x,y,z) = -r y,不含行为学因素,无法解释隐含波动率曲面偏斜/微笑与波动群聚等实证现象。1
指出已有扩展(local volatility、stochastic volatility)能部分弥补但仍受预设结构假设限制,且面对复杂非线性定价机制时不够灵活。1
引入 BSDE/g-expectation 理论作为更通用的定价框架,并把“生成器识别”视作从市场价格反推定价机制的自然路径,这为以数据驱动方式学习复杂 g 提供理论依据。2
方法论总体(Section 2 开头)
要点:把期权定价问题视为求解 FBSDE,其中生成器 g 可表示市场定价机制的非线性项;使用双网络分别拟合价值函数 u_θ 与生成器 g_φ,并通过自动微分显式计算对冲比率 Z_t = σ_t X_t ∂_x u_θ。(该建模思想融合了 PDE/BSDE 理论与深度学习数值求解的最新成果。)2 5
实际输入:Realized Volatility 预测(Section 2.1)
RV 定义与年化:RV_t = Σ r_{t,i}^2(高频平方和),年化为 σ_t = sqrt(RV_t) * sqrt(252)(252 个交易日基准),论文将“RV”简称为年化预测波动率输入到 FBSDE 中(强调使用的是预测出的未来波动轨迹,而非仅历史已实现波动),并引用团队先前的 TimeXer 框架作为 RV 预测器基础(融合 LLM 文本特征与图像/时间序列网络)。3 3
关键含义:将动态(预测)波动率路径直接作为模型输入,取代 BSM 常数 σ,使得模型在时间维度上反映未来不确定性演化;但也引入依赖外部 RV 预测模型性能的链式风险(后文会进一步讨论)。3
情绪特征构建(Section 2.2 与 Table 1)
数据来源与处理:情绪由中国论坛 Guba 帖子标题提取(2016–2024),两阶段分类:先用 BERT 过滤噪声,再用多个大型语言模型(DISC-FinLLM, Qwen, DeepSeek)投票判定三类(牛/熊/中性);基于此构建每日统计量(N_bull, N_bear, posts_count, pageviews, comments 等),衍生 NetSent、Surprise、Dispersion、Entropy、Activity 等指标(Table 1 给出公式与经济解释)。3 5
表 1 解析(Table 1 的核心指标):
NetSent = N_bull − N_bear(偏向性);Surprise_h = NetSent_t − EWM_h(NetSent)_t(短/中期偏离);Disp_h = EWMstd_h(NetSent)_t(意见分歧);Entropy 衡量意见均衡度;Activity 汇总帖子/浏览/评论的 log 变换指示信息冲击强度。作者还为不同 moneyness 级别(ATM/OTM)选择不同的情绪特征集(ATM 强调短期指标,OTM 强调中期与极端事件标志)。5
关键假设与风险:情绪指标假定论坛帖子的代表性与情绪分类准确性较高,但基于标题的分类可能存在话题偏差/噪声;此外情绪在 t>0 的不可用性被处理为在整个定价区间内使用初始情绪 e_0(即假设情绪在期权剩余存续期内固定),这是一项重要建模近似,可能限制长期合约的现实性(该点在报告中明确)。4 5
Deep g-Pricing 的 FBSDE 表述与双网络设计(Section 2.3.1)
FBSDE 形式:基础 SDE 为 dX_t = r X_t dt + σ_t X_t dW_t,BSDE 为 dY_t = −g(t,X_t,Y_t,Z_t,e_t) dt + Z_t dW_t,终点 Y_τ = Φ(X_τ)(欧式看涨/看跌)。σ_t 为预测波动轨迹,e_t 为情绪向量(实证中设 e_t ≡ e_0)4 。
双网络架构:value network u_θ(t,X,K,τ,σ,r,e) 输出 Y 值;generator network g_φ(t,X,Y,Z,K,τ,σ,r,e) 输出生成器值 g;对冲项由 u_θ 自动微分得到 Z_t = σ_t X_t ∂_X u_θ。作者说明生成器设计为“contract-conditioned”(即把合约参数 K,τ 与 σ_t, e_t 作为输入),这使得学到的 g 实质上是针对具体合约类型的有效生成器而非普遍市场生成器,因此提高了适配度但减弱了跨合约的普适性。该设计在数学上等价于将这些参数作为扩展状态向量的一部分,但作者明确采用合同条件化的视角以贴近实际标的差异化定价需求。4 5
时间离散化与数值方案(Section 2.3.2)
时间分割与数值方案:将 [0,τ] 划分为 N 等份 Δt,前向 SDE 使用几何布朗运动解析解离散形式(保证正值),后向 BSDE 使用 Euler 方案并采用“前向递归”从 Y_0 = u_θ(0,·) 向前展开以保证训练稳定性,离散公式如 X_{t_{i+1}} = X_{t_i} exp[(r − ½ σ_{t_i}^2) Δt + σ_{t_i} sqrt(Δt) ξ_{i+1}] 与 Y_{t_{i+1}} = Y_{t_i} − g_φ(·) Δt + Z_{t_i} ΔW_{i+1}。6
重要实现细节:采用前向递归起始于可学习的 Y_0(来自 value network),并通过 terminal loss 与 path consistency loss 强制与理论 BSDE 解吻合,这一训练设计是论文的核心数值贡献之一,有助于在深层网络与 Monte Carlo 路径中稳定学习。 6
损失函数设计(Section 2.3.3)
三部分损失:初始值价格匹配损失 L_price(混合 RMSE + MAPE,用权重 ω_r, ω_m),终端条件损失 L_terminal(RMSE),路径一致性损失 L_path(RMSE,用于约束 u_θ(t_i,X_{t_i}) 与由 BSDE 递推得到的 Y_{t_i} 一致)。总损失 L = λ_1 L_price + λ_2 L_terminal + λ_3 L_path,作者用 Monte Carlo 估计期望并给出金融直觉:价格监督保证横截面拟合、终端保证无套利与 payoff 一致、path 保证时间一致性。6
说明:使用混合 RMSE+MAPE 的初始值损失旨在兼顾绝对与相对误差(尤其是对低价样本敏感),并在计算 MAPE 时对分母做下界截断以避免数值不稳定(用 ε)。6
网络结构(Section 2.3.4 与 Figure 1)
输入扩展与情绪门控:每个金融变量(t,X,K,τ,σ,r)从 1 维线性扩展为 50 维,财务特征合并为 300 维;情绪向量 e(5 维)嵌入到 50 维并通过一个可学习的全局门控标量 γ 调整后与财务特征拼接为 350 维输入(value net),generator net 则扩展包含 Y 和 Z,总输入约 450 维。7 9
自适应激活函数(Adaptive Activation Functions, tAF):隐藏层采用五种基激活函数(sin, tanh, GELU, SiLU, Softplus)的线性组合且权重做 L2 归一化,权重可学习(初始均分 0.2),以便在不同状态区间自动适配非线性曲率与稳定训练(并以 weight normalization 控制数值震荡)。7
架构图:图 1(Figure 1)展示 value network 与 generator network 的共享骨干 + 双头(call/put)输出与门控机制(下图还原自报告)。该图帮助理解 350→300→256→256→128 的层次以及 call/put heads 与 generator 的差别。请见作者图示:
9
训练策略(Section 2.3.5 与 Algorithm 1)
训练流程:采用两阶段(pre-train + fine-tune)。预训练在混合数据上运行(情绪模块关闭),目标是学习一般性定价结构;微调阶段针对不同 moneyness 打开/调整情绪门控并微调输出 head(例如 ITM 的情绪通道保持关闭),这种先易后难的课程学习策略被用以稳定学习与更好迁移。8 13
算法实现细节:每个 batch 模拟 M 条布朗增量路径,按 forward SDE 生成 X 路径、计算 value network 路径 U_{t_i}、用自动微分得到 Z、用 generator network 计算 g 并前向递归得到 Y 路径,最后计算三部分损失并用 AdamW + cosine annealing 更新参数(Algorithm 1 给出伪代码)。11
超参数(Table 4):N=32 时间步、MC paths M=16、pre-train steps 3500(lr_peak 1e-4)、fine-tune 5000(lr_peak 1e-5)、batch size 128、loss 权重 λ 的配比(price 0.8, terminal 0.1, path 0.1)等(详见 Table 4)。13 14
实验设计(Section 3)
数据:CSI 300 指数期权 2022 年交易数据,去除到期日与极低价格(settlement < 0.01),最终样本约 61,086 条,训练/验证/测试按交易日随机打乱分割 7:2:1,并用 5 个随机种子做五次分割求均值以保证稳健性。作者选择随机分割的理由是聚焦横截面定价而非时间序列滚动预测,并使测试集覆盖 2022 年不同波动环境。样本按 moneyness 分为 ATM/ITM/OTM 三类(Table 2 定义),样本数列出。该数据可用性受许可限制(代码可联系作者)。10 12 23
基线:BSM(r=0,σ 做参数扫描,最终选 σ=0.20 作为 BSM 基线)与 Tengbinn(Shi et al., 2025)的深度 BSDE 模型(不包含波动轨迹与情绪)作为比较基线。13
三、图表与表格逐项深度解读(关键表/图逐一剖析)
Table 1(情绪特征,page 4)
描述:列出了 ATM/OTM 不同 moneyness 采用的情绪/活跃度指标、公式与经济解释(NetSent, Surprise_h, Disp_h, zActivity, Entropy, Extreme_flag, VolShock_flag, EWM_NetSent 等)。5
解读:作者以经验/金融直觉把短期偏离(Surprise3/Disp3)用于 ATM 而将中期/极端事件/活动突发(Surprise5, Extreme_flag)用于 OTM,反映对不同期权敏感因子的差异化假设(ATM 更受短期情绪扰动,OTM 更敏感于持续情绪或极端事件)。这也直接影响后续情绪 gating 的先验设置(见 Table 5)。5
Table 3(BSM 在不同 σ 下的月度 MAE,page 12)
描述:按月列出了 BSM 在 σ=0.10,0.15,...0.30 下的 MAE(单位 CNY),用于选取最优固定 σ。作者发现 σ=0.20 在全年内表现最优或近优,并据此将 BSM 基线设为 σ=0.20。该表显示 BSM 在不同月份对 σ 的敏感性强(在某些月 σ=0.20 明显优于其他值)。13
含义:使用单一 σ 的 BSM 在现实市场中存在明显局限(解释了作者引入波动轨迹的动机),且选择固定 σ 的方式对 BSM 的表现影响较大,这也为后续方法提供了可比基线。作者合理地以年内综合表现选定 0.20。13
Figure 1(网络结构图,page 8)
图示已嵌入(上文已展示),显示 value 网络(左)与 generator 网络(右)的输入扩展、情绪嵌入与门控、AAF 层(adaptive activation function)以及 dual-head(call/put)或单输出(g)。9
解释:此图有助理解输入维度转换(6 个金融变量各 1→50,情绪 5→50),拼接后得到 350/450 维输入,再通过 4 层 AAF(350→300→256→256→128)得到隐藏表示,最终输出。该设计强调“共享骨干 + 任务专用头”的架构思路,有利于共享常见定价结构同时保留 call/put 差异。图中门控 γ 的存在体现对情绪信息的可学习加权(并具有 moneyness 依赖的初始化)。9
Algorithm 1(page 10)
逐步剖析:算法列出了 forward SDE 路径生成、value network 直接在时间点上评估 u_θ、用自动微分计算 Z、generator network 计算 g 并前向递推 Y、最后计算三项损失并更新参数。该伪代码契合报告正文的数值实现细节(Monte Carlo 样本、批次、路径)。11
含义:该算法将网络训练直接嵌入 FBSDE 数值解算的前向递推中,使得网络输出同时满足价格监督、终端边界和路径一致性,是将深度学习和 BSDE 理论结合的实用实现。该设计也意味着训练成本与 MC 路径数、时间步 N 成正比,故超参数选择会显著影响计算负担(详见 Table 4)。11
Figure 2(两阶段训练 Loss 曲线,page 15)
图像展示并解读(作者图):三幅子图分别为 ATM/ITM/OTM 的两阶段训练曲线(预训练黑线,微调 call/put 分别为蓝色/橘色),横轴训练步数,纵轴 loss(对数坐标)。图片见下:
16
关键数值(作者正文补述):预训练阶段 ATM loss 从 270.6 降到 180(约 −33%),ITM 从 582.7 降到 45.8(≈ −92%),OTM 从 233.5 降到 114.5(≈ −51%);微调后 ATM (call/put) 分别收敛到 30.7/38.5,ITM 收敛到 19.6/27.6,OTM 收敛到 38.4/45.5。说明预训练对 ITM 改善最显著且微调对各子任务继续优化(训练稳定性与子任务差异明显)。15 16
含义:ITM 定价最容易学习(主要由内在价值驱动),而 OTM 波动更大(低价样本相对误差敏感)。两阶段训练的曲线验证了作者采用“先学一般结构,后微调特化”的合理性。15 16
Table 6(总体与分 moneyness 的性能比较,page 16)
表格内容:对比 BSM、Tengbinn 与 本文方法在 Overall/ATM/ITM/OTM 下的 MAE, RMSE, MAPE(例如 Overall MAE: BSM 19.92, Tengbinn 17.09, Ours 13.51;ATM Call MAE Ours 11.40 vs BSM 17.69 等)。17
关键结论:作者方法在总体上 MAE 优于 BSM(降低 32.2%)与 Tengbinn(降低 21.0%);在 ITM 区间优势最大(call MAE 比 BSM 下降 45.4%),在 OTM 区间 MAPE 优势明显(将 MAPE 从 ~47% 降到 ~25–31%),并且对极端相对错误(MAPE>100%)的抑制显著(见 Table 7)。这些数字直接支持作者在摘要与结论中的主张。17 15
Table 7(OTM 极端误差比例,page 16)
内容与解读:对比 Tengbinn 与本方法在 OTM 的极端样本比例:Tengbinn MAPE>50% 为 26.82%,>100% 为 11.51%,>200% 为 4.24%;本方法分别为 8.74%,0.77%,0.19%(显著下降)。这表明本文方法在低价样本上的相对误差控制能力更强,部分归因于 FBSDE 的物理约束和情绪门控机制。17
Figure 3(预测值 vs 真值散点、R^2;page 17)
图像(六子图:ATM/ITM/OTM 分别对应 call/put),R^2 值为:ITM Call 0.9908、ITM Put 0.9951、ATM Call 0.9734、ATM Put 0.9550、OTM Call 0.9449、OTM Put 0.9331;图示显示 ITM 点云最接近对角线,OTM 分散度最大并在高真实值处呈轻微低估倾向(见图)。图片如下:
18
含义:视觉与 R^2 一致,ITM 最好、OTM 最差;OTM 在高真实价格区的低估倾向提示模型在某些极端波动或极端尾部事件上的拟合仍存在系统性偏差,需要进一步诊断(例如对极端波动样本的样本增加或更细粒度的情绪/波动输入设计)。18
Table 8(建筑学优势/ablation:architecture advantage,page 18)
内容:在把波动设为常数 0.2 且情绪关闭的 ablation 情形下,作者把“架构优势(Δ_arch)”定义为在相同信息条件下本方法与基线 BSM/Tengbinn 间的 MAE 差异,表格列出各 moneyness 与期权类型下 E_A(本方法)、E_C(消融)与 Δ 值,并报告 MAPE 改进(pp)。
解读要点:ITM 显示最大的 MAE 型架构优势(Δ ~ 10 CNY vs BSM),ATM 次之,OTM 最小;但在相对误差(MAPE)上 OTM 展示显著架构优势(MAPE 改善在 19–21 百分点附近),说明在低价高杠杆样本中 adaptive activation + hybrid loss 对相对误差有较强作用。该表支持“架构本身就带来显著收益”的结论(独立于额外信息)。19
Integrated Gradients 与 Shapley(信息贡献分解,pages 19–21 与 Figure 4)
Integrated Gradients(IG)结果(Table 9,page 19):ATM Call 情绪占比 60.5%,ATM Put 情绪/波动近乎均分(50.2%/49.8%),OTM Call 波动 55.4% 情绪 44.6%,OTM Put 波动 62.2% 情绪 37.8%。IG 强调模型输出对输入局部敏感度的分摊与路径积分。20
Shapley 值分解(Table 10 与 Figure 4,pages 20–21):作者用四种输入组合(none, RV only, Sent only, full)测 MAE 再用 Shapley 公式分配 MAE 降幅,结果显示:ATM Put 的总信息增益最大(1.474 CNY),ATM Call 的信息贡献以情绪为主(情绪约 0.361 CNY,占 90.7%);OTM Call 的情绪贡献占比约 70.4%,OTM Put 则比较均衡(RV 44.5%,Sent 55.5%)。图 4 给出柱状图可视化(见下):
21
经济解释:作者认为看涨期权更受情绪(投资者乐观/投机)驱动,而看跌期权更多体现对尾部风险的对冲需求,因此更依赖波动轨迹,这与直觉一致且两种解释方法(IG 与 Shapley)相互验证,增强了结论可信度。该分析也说明信息源对不同合约的边际价值不同(可用以指导情绪门控的初始设定与模型部署策略)。20 21 22
四、估值方法与模型内涵(Valuation Analysis)
报告并未使用传统估值(如 DCF)框架,而是基于 BSDE 理论将期权定价映射为求解带生成器 g 的后向 SDE 问题;学习生成器 g_φ 即相当于“数据驱动的定价算子识别”,并通过自动微分得到对冲(Z),从而实现对期权价值与动态对冲的一体化估计。2 4
关键输入/假设:生成器函数被条件化到合约参数(K,τ)与外生状态(σ_t,e_t),这使得 g_φ 的训练是以合同为条件的“局部/有效生成器”识别,而非学习全市场通用的 g,这一点是模型可解释性与实证适配性的权衡(提高表现的同时牺牲跨合约可迁移性)。5
敏感性:估值的最终准确度强依赖输入的 RV 预测质量与情绪特征精确性;作者用 Shapley 分解量化两类信息的边际贡献,为实际部署提供了权重配置建议(高情绪权重用于 OTM/ATM call 等场景)。20 21
五、风险因素评估(作者识别与扩展)
作者指出的风险:生成器为合同条件化导致的可迁移性受限(learned g 只在训练覆盖的合同类型范围内可靠)。5
数据与标注风险:情绪来自 Guba 标题分类,尽管用多模型投票以提高准确性,但该数据源可能存在样本偏向(论坛用户群体并非全部市场参与者)与舆论操纵/噪声风险,进而影响情绪贡献估计与模型稳健性。3 5
建模近似引入的偏差:情绪在定价期间被当作常量 e_t ≡ e_0(对 t>0 不可用),这种做法避免了未来情绪的泄露但隐含“情绪在剩余期限内不再显著演化”的假设,长期合约中可能不适用。4
运行风险与计算成本:模型需大量 MC 路径与时间步(N=32、M=16、batch 128、训练步数数千),训练与推理成本高,且对超参数(loss 权重、门控初始值、LR schedule)敏感(见 Table 4)。14
六、批判性视角与细微差别(审慎视角)
随机分割 vs 时间序列验证:作者以随机打乱的横截面分割来评估横截面定价能力,这在“跨市场/跨波动环境综合评估”上有利,但未展示严格的时间滚动测试,因此模型在真正时间序列迁移(训练在过去、预测未来)的稳健性仍需验证,尤其是 RV 预测模型与情绪分布随时间变化显著时。作者虽声明遵守信息可用性原则以避免 look-ahead bias,但随机分割仍可能在部分实验设置下掩盖时变分布风险。10 4
情绪门控的启发式设定:Table 5 的情绪 gating 初始值(ATM 0.25, ITM 0, OTM 1.2)基于金融直觉设定并在训练中部分可学习,但 ITM 完全禁用情绪这一硬性决策可能过于强硬(或导致对某些 ITM 在事件窗口中情绪驱动的失配),应在未来做更细粒度检验与灵敏度分析。14
RV 预测作为外生输入的双刃剑:把 predicted σ_t 当作 exogenous 输入能提高表现但把模型风险分成两部分(RV 预测与 BSDE 定价);因此估计的改进部分可能来自更好的 RV 预测而非 g_φ 本身,作者通过 ablation(将 σ 设为常数)尝试分离“架构优势”与“信息优势”,但仍需更详尽地评估 RV 模型错误传播对定价误差的定量影响(例如采用带噪声 RV 或不同时期 RV 预测性能的压力测试)。3 19
可解释性方法的局限:IG 与 Shapley 提供了不同视角的贡献度证明,但 IG 为局部梯度积分(受基线选择影响),Shapley 基于模型不重训练的输入屏蔽实验(可受交互效应与非线性耦合的影响),两者一致性虽增强结论信心,但仍可能掩盖高阶特征交互效应(例如情绪与波动轨迹的非线性耦合)。20 21
七、结论性综合(总结要点与建议)
主要发现回顾:作者提出的 deep g-pricing 框架通过双网络(value + generator)、自动微分对冲、波动轨迹与情绪门控融合,以及自适应激活函数与两阶段训练,显著提升了 CSI 300 指数期权的横截面定价精度(总体 MAE 从 BSM 的 19.92 降至 13.51,降幅约 32.2%),并在相对误差(MAPE)与极端误差控制(OTM 的 MAPE>100% 从 11.51% 降到 0.77%)上呈现显著优势。17 17 17
解释性结论:经 IG 与 Shapley 分解,call/put 在信息依赖上呈现不对称:call 更多受情绪驱动(尤其 ATM/OTM call),put 更依赖波动轨迹(ATM/OTM put),ATM put 总信息增益最大(1.474 CNY),这具有明确的经济含义并可用于构建差异化的定价/对冲策略。20 22
可操作建议(基于论文结论):对于交易与风险管理实践,论文建议对 OTM/ATM 的 call 给予更高情绪权重用于定价与实时监控,而对 put 更强调波动率曲线的准确预测与不确定性估计;此外,在模型部署应关注对低价期权的极端相对误差控制(可减轻保证金/对手方风险)。14 22
需进一步验证/改进的方向(作者与我们一起建议):(1)在时间序列滚动设置下检验模型的时变稳健性;(2)对 RV 预测模型的误差传播做系统敏感性分析;(3)探索情绪时变建模(允许 e_t 随时间演化)以检验对长期合约的适用性;(4)更细化极端事件样本的强化训练或采用样本加权策略以改善高真实值处的低估问题。10 4 18
八、总体评价(客观)
贡献:本文在理论(把生成器识别放在实证框架中)、算法(双网络 + 前向递归 + 三项损失 + 自适应激活)与应用(将高频 RV 与大规模情绪特征并入 BSDE 定价)上均有创新,且在 CSI 300 数据上给出系统化实证与解释性分解,具有较高的科研价值与实务参照意义。2 4 15
局限:模型对外生 RV 预测与情绪特征质量高度依赖;合同条件化的生成器限制了模型向全市场泛化的能力;随机分割策略有助横截面评估但需补充时间序列验证以确保实际部署稳健性。5 10 3
参考(数据/图/表原始溯源)
论文原文的关键图表:Figure 1(结构图)见 page 8(已嵌入);Figure 2(Loss 曲线)见 page 15(已嵌入);Figure 3(预测 vs 真实散点)见 page 17(已嵌入);Figure 4(Shapley 分解)见 page 20(已嵌入)。9 16 18 21
主要数值与表引用:摘要的总体性能改进(MAE 32.2%,MAPE 35.3%)见 page 0 与 page 21;分 moneyness 的性能表格与极端误差统计见 page 16;架构优势与信息贡献分解见 pages 18–21。1 17 19 20 22
若需要,我可以继续:
对论文中某一表/图做数值重算或敏感性再现(例如使用作者提供的 hyperparameter 对部分 ablation 做进一步检验),或者
针对模型部署提出更具体的工程化建议(如实时 RV 管道设计、情绪数据管线/异常检测、模型监控与回测策略),或者
将本文方法与其他特定基准(例如 Heston 模型、local vol 拟合模型)做更细致的比较实验设计建议。