Sparse modeling approach to the arbitrage-free interpolation of plain-vanilla option prices and implied volatilities
本研究提出一种基于积分方程离散化与SVD稀疏建模的普通香草期权无套利插值方法，结合L₁正则化提升稳定性，无需指定随机过程等模型，在多类测试案例中验证了有效性。
2023-05-08 q-fin.CP q-fin.MF q-fin.PR
Shallow Representation of Option Implied Information
Bloomberg（彭博）
本文提出通过浅层神经网络构建期权隐含信息的表示方法，揭示隐含密度与隐含波动率的联系，并通过实验表明单层网络能有效近似两者。
2026-03-17 q-fin.CP stat.ML
Generalised arbitrage-free SVI volatility surfaces
在这篇文章中，我们提出了一个概括的Gatheral和Jacquier最近的工作，明确的无套利参数隐含波动率曲面。我们还广泛讨论了无套利的概念和罗杰李的矩公式使用最近的分析罗珀。我们进一步展示了一个无套利的波动率曲面不同于Gatheral的SVI参数化。
2016-05-27 q-fin.CP q-fin.PR
No-Arbitrage Deep Calibration for Volatility Smile and Skewness
本文提出导数约束神经网络DCNN，通过在损失中加入期权价格导数约束实现无套利IV曲面校准，并在SABR数据上验证其稳定性与插值效果。
2024-01-29 q-fin.CP
Latent-Space No-Arbitrage Geometry of Generative Models for Implied Volatility Surfaces
Delft University of Technology（代尔夫特理工大学）；Delft Institute of Applied Mathematics（代尔夫特应用数学研究所）
本研究在隐空间分析生成隐含波动率曲面的模型的无套利约束，建立可接受隐集的边界条件，将分析推广至多种生成模型架构，实验验证了边界的有效性并揭示隐先验的分布特征。
2026-09-02 cs.AI cs.LG cs.NA
Whack-a-mole Online Learning: Physics-Informed Neural Network for Intraday Implied Volatility Surface
针对稀疏市场数据下日内隐含波动率曲面校准的多目标优化难题，提出带损失自适应加权的WamOL物理信息神经网络方法，兼顾数据拟合、PDE与无套利约束，在非均匀稀疏数据下表现更优，拓展了PINNs在实时金融建模中的应用。
2024-11-04 q-fin.CP
To sigmoid-based functional description of the volatility smile
本文提出了一种新的静态参数化的隐含波动率曲面，它是由sigmoid函数的多项式与其他一些条款相结合。这种参数化方法具有足够的灵活性，可以适应市场隐含波动率的微笑或偏斜。一个无套利的校准算法被认为是构造隐含波动率表面作为一个网格中的罢工到期空间，并保证在这个网格的每个节点缺乏套利。我们还演示了如何构建一个无仲裁的时间内插和外推，以及建立一个本地的波动率和隐含的pdf表面。渐近行为的参数化进行了讨论，以及校准参数的稳定性的结果。数值算例表明，该方法在建立所有这些表面的鲁棒性，以及展示了更好的质量的拟合相比，一些已知的模型。
2014-12-08 q-fin.CP q-fin.GN q-fin.MF
Universal Diffusion Models for Implied Volatility Surfaces: Learning Shared Dynamics Across Stocks
The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））
本文提出一种通用条件扩散模型，联合生成次日IVS增量和股票收益，在50只股票上训练并在样本内外测试，优于VolGAN基准，证明跨股票共享动态可行。
2026-09-28 q-fin.CP
Implied Volatility Surface: Construction Methodologies and Characteristics
隐含波动率曲面（IVS）是计算金融中的基本构建块。我们提供了一个调查的方法来构建这样的表面。我们还讨论了在实践中可能影响IVS成功构建的各种主题：无仲裁条件的罢工和时间，如何执行外推的核心区域，选择的校准功能和选择的数值优化算法，波动率曲面的动力学和渐近性。
2011-07-10 q-fin.CP q-fin.PR
Volatility Surface Reconstruction using Deep Learning under No-Arbitrage Constraints
Universidad de Buenos Aires（布宜诺斯艾利斯大学）
研究使用深度学习模型在无套利约束下从稀疏噪声期权报价重建隐含波动率曲面，比较多种神经网络架构与经典SVI参数化方法，发现Transformer和U-Net在稀疏观测下重建精度高，软套利惩罚有效减少套利违规。
2026-05-20 cs.LG q-fin.CP
Computing Volatility Surfaces using Generative Adversarial Networks with Minimal Arbitrage Violations
本文提出一种GAN方法计算波动率曲面，利用判别器学习分布并引入惩罚项满足无套利约束，使用浅层网络降低成本，实验表明在精度和速度上优于ANN方法。
2023-12-24 q-fin.CP
SABR-Informed Multitask Gaussian Process: A Synthetic-to-Real Framework for Implied Volatility Surface Construction
University of Macau（澳门大学）
本研究提出一种基于SABR的多任务高斯过程框架，通过合成数据与真实市场数据结合，提升隐含波动率面构建的精度和鲁棒性。
2026-02-24 q-fin.CP
Arbitrage-Free Multi-Maturity Risk-Neutral Marginals
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；JPMorgan Chase & Co.（摩根大通）
该研究针对量化金融中多期限风险中性边际分布构建问题，提出从离散无套利期权价格显式构建的方法，能保证无套利，计算高效，所得边际律有多种良好特性，经实验验证在实践中有效且稳健。
2026-07-08 q-fin.CP q-fin.MF q-fin.RM
Deep Hedging: Learning Risk-Neutral Implied Volatility Dynamics
我们提出了一个数值有效的方法来学习一个风险中性测度的路径模拟现货和期权价格到有限的地平线下凸交易成本和凸交易约束。然后，这种方法可以用于实现随机隐含波动率模型在以下两个步骤：1。训练一个期权价格的市场模拟器，例如我们最近讨论的; 2.找到一个风险中性密度，特别是最小熵鞅测度。由此产生的模型可用于风险中性定价，或在交易成本或交易约束的情况下用于深度对冲。为了激励所提出的方法，我们还表明，市场动态是免费的“统计套利“的交易成本的情况下，当且仅当他们遵循风险中性测度。此外，我们提供了一个更一般的特征存在凸交易成本和交易约束。这些结果可以看作是交易摩擦下统计套利资产定价基本定理的一个模拟，具有独立的意义。
2021-07-14 math.OC q-fin.CP q-fin.ST
B-spline techniques for volatility modeling
本文主要研究B样条在波动率建模中的应用，特别是随机局部波动率模型中杠杆函数的标定和稀疏期权数据下无仲裁隐含波动率曲面的参数化。我们使用的经典B样条的扩展，包括无限支持的基函数。我们首先回到形状约束的B-样条的应用程序的条件期望的估计，不仅从散点图，但也从给定的边际分布。一个应用是随机局部波动率模型的蒙特卡罗校准的马尔可夫投影。然后，我们提出了一个新的技术校准的隐含波动率表面稀疏的期权数据。我们使用B样条参数化的基础的风险中性概率密度的Radon-Nikodym衍生物相对于一个粗略校准的基础模型。我们发现，这种方法提供了光滑的无套利隐含波动率表面。最后，我们给出了求解Radon-Nikodym导数所满足的偏微分方程的B样条有限元Galerkin方法。
2015-06-12 math.PR q-fin.CP
Model-free bounds for multi-asset options using option-implied information and their exact computation
我们考虑在一个单一期限的金融市场上的多个基础的衍生产品，我们感兴趣的是无模型的上界和下界的计算，其无仲裁的价格。我们在一个完全现实的环境中工作，因为我们只假设其他单一和多资产衍生品的交易价格的知识，甚至允许在这些价格中存在买卖价差。我们提供了一个基本定理，这个市场模型的资产定价，以及一个超对冲对偶的结果，它允许将抽象的最大化问题的概率测度到一个更容易处理的向量最小化问题，受到一定的约束。然后，我们将此问题转化为一个线性半无限最优化问题，并给出了两个求解算法。这些算法提供了$\varepsilon$ -最优的价格的上界和下界，以及最优定价措施的表征。这些算法是有效的，并且允许在高维场景中计算边界（例如，当$d=60$时）。此外，这些算法可以用来检测套利机会，并确定相应的套利策略。使用合成和真实市场数据的数值实验展示了这些算法的效率，同时它们还允许通过以已知衍生品价格的形式包含额外信息来理解模型风险的降低。
2022-01-12 math.OC math.PR q-fin.CP
A Risk-Neutral Neural Operator for Arbitrage-Free SPX-VIX Term Structures
Guanghua School of Management, Peking University（北京大学光华管理学院）
本文提出ARBITER风险中性神经算子，在无套利约束下联合学习SPX-VIX期限结构，并通过约束解码、投影训练及新评估指标在历史数据上超越FNO、DeepONet等基线模型。
2025-11-09 cs.LG q-fin.CP
SANOS Smooth strictly Arbitrage-free Non-parametric Option Surfaces
Mathematical Institute, University of Oxford（牛津大学数学研究所）；Oxford-Man Institute for Quantitative Finance, University of Oxford（牛津大学牛津-曼量化金融研究所）；Department of Mathematics, McMaster University（麦克马斯特大学数学系）；The Ennio De Giorgi Mathematical Research Centre, Scuola Normale Superiore di Pisa（比萨高等师范学校恩尼奥·德·乔治数学研究中心）；Vector Institute（Vector研究所）；DRW
提出一种简单、数值高效且高度灵活的非参数方法，构建平滑且严格无套利的期权价格曲面，通过线性规划校准市场报价，并引入离散局部波动率参数化。
2026-05-22 q-fin.CP q-fin.MF
Beyond Surrogate Modeling: Learning the Local Volatility Via Shape Constraints
我们探讨了两种机器学习方法的能力，欧洲香草期权价格的无套利插值，共同产生相应的局部波动率曲面：有限维高斯过程（GP）回归方法下的无套利约束的基础上的价格，和神经网络（NN）方法与惩罚的基础上的套利隐含波动率。我们证明了这些方法相对于SSVI行业标准的性能。GP方法被证明是无仲裁的，而套利只在SSVI和NN方法下受到惩罚。GP方法获得了最佳的样本外校准误差，并提供了不确定性量化。NN方法产生了更平滑的局部波动率和更好的回测性能，因为它的训练标准包含了局部波动率正则化项。
2022-12-20 q-fin.CP q-fin.MF stat.ML
Controllable Generation of Implied Volatility Surfaces with Variational Autoencoders
提出一种VAE框架，将可解释IVS形状特征与残差潜在因子解耦并引导解码器，实现单特征和多特征可控、真实且无套利的隐含波动率曲面生成。
2025-09-01 q-fin.CP
Operator Deep Smoothing for Implied Volatility
本研究提出一种基于图神经算子的隐含波动率平滑新方法，可直接从原始期权数据生成平滑曲面，符合无套利约束且对输入采样缺失鲁棒，性能优于经典神经网络和行业标准SVI，推动了大历史数据集在金融工程中的应用。
2025-06-16 q-fin.CP
The implied volatility surface (also) is path-dependent
本文提出隐含波动率曲面具有路径依赖性，利用资产历史收益预测远期平值波动率，并基于四参数简约SSVI模型构建了无静态套利的曲面与资产价格联合动态模型。
2025-10-14 q-fin.CP
Deep Learning Option Pricing with Market Implied Volatility Surfaces
本研究提出一个深度学习框架，利用变分自编码器压缩市场隐含波动率曲面，结合多层感知机高效定价美式和亚式期权，精度高且可扩展。
2025-09-07 q-fin.CP
From Arbitrage Removal to Density Extraction: A Model-Free Framework for Short-Dated Options
Université Paris Dauphine–PSL（巴黎第九大学-巴黎文理研究大学）；CEREMADE（数学与决策研究中心）；DRM–Finance（风险管理金融部门）
提出一个两阶段无模型管道，先通过ARIES消除报价中的静态套利，再通过SEDEx在买卖价差约束下恢复风险中性密度，适用于短期期权数据。
2026-06-12 q-fin.CP q-fin.MF q-fin.PR
A note on the option price and 'Mass at zero in the uncorrelated SABR model and implied volatility asymptotics'
Gulisashvili等人[Quant. Finance，2018，18（10），1753 - 1765]通过用矩匹配对数正态分布近似积分方差，在不相关随机α-β-ρ（SABR）模型下提供了零质量的小时间渐近性。利用Gauss-Hermite求积法提高了数值积分的精度。我们进一步得到的期权价格，通过整合方差的恒定弹性（CEV）期权价格以相同的方式，而不诉诸小罢工波动率微笑渐近德马可等人。数学，2017，8（1），709 - 737]。对于不相关的SABR模型，新的期权定价方法是准确的和无仲裁的所有执行价格。
2021-04-25 q-fin.CP q-fin.MF q-fin.PR
Incorporating prior financial domain knowledge into neural networks for implied volatility surface prediction
Southwestern University of Finance and Economics（西南财经大学）；Inboc Technologies Ltd.（Inboc科技有限公司）；University of Edinburgh（爱丁堡大学）；ArrayStream Technologies Ltd.（ArrayStream科技有限公司）；University of Glasgow（格拉斯哥大学）
在本文中，我们开发了一种新的神经网络模型预测隐含波动率表面。考虑到以前的金融领域知识。提出了一种新的包含波动率微笑的激活函数，用于处理标的资产价格的隐藏节点。此外，金融条件，如没有套利，边界和渐近斜率，嵌入到损失函数。这是最早的研究之一，讨论了一个方法框架，将先前的金融领域知识纳入神经网络架构设计和模型训练。所提出的模型优于基准模型的期权数据的标准普尔500指数在20年。更重要的是，领域知识在实证上得到了满足，表明该模型与现有金融理论和隐含波动率曲面相关条件是一致的。
2021-05-28 cs.LG cs.NE q-fin.CP
An Explicit Solution to Black-Scholes Implied Volatility
University of Liechtenstein（列支敦士登大学）
本文提出了一种基于量化函数的显式公式，用于计算Black-Scholes隐含波动率，通过将波动率视为左端点并仅使用可观察的期权输入来实现精确的解析解，同时重新组织了希腊字母和无套利限制。
2026-05-18 q-fin.CP q-fin.GN q-fin.MF
FuNVol: A Multi-Asset Implied Volatility Market Simulator using Functional Principal Components and Neural SDEs
University of Toronto（多伦多大学）；Riskfuel Analytics
本文提出FuNVol，一种结合函数主成分与神经随机微分方程的多资产隐含波动率市场模拟器，通过概率积分变换惩罚减少模型误设，生成无静态套利且与历史一致的曲面，并验证对冲损益的准确性。
2023-12-26 cs.LG q-fin.CP q-fin.ST
Randomization of Short-Rate Models, Analytic Pricing and Flexibility in Controlling Implied Volatilities
该研究通过将随机仿射扩散（RAnD）方法应用于Heath-Jarrow-Morton框架下的短期利率过程，扩展现有模型以在保留解析性的同时控制隐含波动率，提升校准质量，其随机化Hull-White模型对互换期权隐含波动率拟合近乎完美。
2024-11-26 q-fin.CP q-fin.MF q-fin.PM
Diffusion models for dynamic volatility surface generation and data-driven hedging
Stanford University（斯坦福大学）；J.P. Morgan QTR AI Research（摩根大通QTR人工智能研究）
本文提出自适应顺序扩散模型（AD-Seq-Vol及AD-Seq-Vol-FT）生成动态隐含波动率曲面，通过减少套利违反并用于对冲，显著降低跟踪误差和尾部风险，尤其在COVID-19期间表现稳定。
2026-09-18 q-fin.CP q-fin.PM q-fin.RM
PIVOT: Bridging Black-Scholes Implied-Volatility and Price Objectives via Differentiable Jäckel Operator
Mathematical Institute, University of Oxford（牛津大学数学研究所）；McMaster University（麦基尔大学）；Vector Institute for AI（人工智能矢量研究所）；DRW
提出PIVOT层，通过隐式微分保留Jäckel求解器的前向精度，并利用门控机制处理低vega区域的奇异性，实现价格与隐含波动率空间的高效可微转换。
2026-06-17 cs.AI cs.LG q-fin.CP
Signature-based models: theory and calibration
我们考虑资产价格模型的动态描述的（时间扩展）签名的主要基础过程，它可以从（市场推断）布朗运动一般的多维连续半鞅的线性函数。该框架是通用的，在这个意义上，经典模型可以近似任意以及模型的参数可以从所有来源的可用数据通过简单的方法学习。我们提供的条件，保证没有套利以及听话的期权定价公式，所谓的sig-payoffs，利用多项式性质的一般主要过程。我们的一个主要重点在于校准，我们考虑时间序列和隐含波动率表面数据，从经典的随机波动率模型，也从标准普尔500指数市场数据。对于这两项任务，模型的线性度是关键的易处理性特征，可以获得快速准确的校准结果。
2022-07-26 math.PR q-fin.CP q-fin.MF
Beyond the Smile: A Hybrid Convolutional VAE for Crypto Volatility Surfaces
Jasper Research, USA（Jasper Research（美国））
提出混合卷积VAE结合二次微笑重拟合的预测器，在BTC和ETH期权数据上实现低RMSE，显著优于纯参数化方法，并消除日历和蝶式套利。
2026-06-16 cs.LG q-fin.CP
