本文提出将含套利期权报价对应的离散“带符号”测度,投影到无套利(马丁格尔)测度集合上的方法:以Ambrosio等扩展的Wasserstein度量构造投影目标,并通过熵正则化得到可解的优化问题,给出强对偶、正则化参数收敛性以及一个多约束Sinkhorn迭代(每一步仅需求解标量方程)的收敛性证明,且在若干SPX应力测试案例中与Cohen等(2020)的方法进行了比较与验证
元数据与概览(引言与报告概览)
逐节深度解读
图表与图片逐一深度解读(关键图表:图1–图7)
Figure 1(样本/受压 IVS,用于收敛实验):该图绘制了两条到期(T=0.08y,0.13y)在标准 SPX 数据与人为在近钱处增加 30% 波动后的“stressed”点,显示受压后在近钱处波动率峰值显著上升,视觉化说明了压力测试如何产生局部扭曲并可能引起套利问题[图像展示如下]。 .
Figure 2(Algorithm 1 收敛曲线与点误差热图):左图显示 ‖M_{n,R-1} − M_ε‖_F 随迭代 n 单调下降(对数尺度);右图为相对点对点误差 heatmap,最大相对误差约 3–4%(颜色条所示),表明算法在该示例下能高精度逼近 SciPy 求得的基准解. .
Figure 3(误差与停止准则关系):展示经验关系 ‖M_{n,R-1}−M_ε‖_F = O(Ε(n,R−1)) 的回归拟合(对数空间回归),提供了实际选择停止阈值的经验参考. .
Figure 4(ε→0 时成本收敛):展示随着正则化参数 ε 递减,正则化目标值 ⟨M_ε, D⟩_F 收敛到未正则化线性规划的最优值,从而数值上证实 Proposition 5.1.2 的收敛性陈述. .
Figure 5(单到期修复比较:本文方法 vs Cohen et al.):左列展示三种 stress 测试情形下,原始、受压、本文修复(ε=0)与 Cohen 等方法修复的隐含波动率笑脸对比;右列展示正则化 ε 不同取值下的修复轨迹,显示较大 ε 会产生更平滑但可能改变平均波动水平的效果,. .
Figure 6(边际概率质量分布对比与正则化效应):上图比较了 ν^+、ν^−、本文 μ(ε=0) 与 Cohen 方法所得边际质量,显示 LP 解与 1‑范数解往往稀疏且可能产生非直觉金融分布;下图展示 ε 增大导致质量分布更分散(更光滑),ε→0 时趋向稀疏结构,. .
Figure 7(双到期案例):扩展至 m=2 的案例,展示在同时修正两期限的情形下,作者方法与 Cohen 方法在局部与跨期限校准上的区别,说明度量空间上的接近不一定在价格/波动率空间中对称体现(作者观察到 Cohen 方法在若些实验中比本文结果更接近受压面),. .
估值与正则化分析(与算法/数值复杂度相关)
风险因素评估(报告内列举或暗示)
批判性视角与细微差别(审慎评估)
结论性综合
若需我可以:
(注:本分析中的所有结论与直接摘录均在段落末标注了对应原文页码以便溯源。)
2501.12195.pdf