Pricing barrier options with discrete dividends
离散红利的存在使得定价公式的推导和形式复杂化，即使是普通期权。现有的分析，数值和理论近似提供不同的质量和性能的结果。在这里，我们比较分析方法，开发和有效的欧式看跌期权和看涨期权，Buryak和郭与公式，设计的背景下，障碍期权定价，戴和邱。
2016-01-05 q-fin.PR
Quantization goes Polynomial
量化算法由于其数值逼近的高收敛速度而被成功地应用于金融领域的期权定价中。特别是，最近，递归边际量化已被证明是一个灵活和通用的工具时，应用于随机波动率过程。在本文中，我们申请的第一次量化技术的多项式过程的家庭，利用其特有的性质。我们集中我们的分析随机波动率Jacobi过程，提出了两种替代的量化程序：第一个是一个新的离散化技术，其基础上的多项式结构的基本过程，这是适合香草期权定价，第二个是基于递归边际量化，它允许（香草和）奇异衍生品的定价。我们证明了理论结果，以评估诱导的近似误差，我们描述了快速香草和异国情调的期权定价的实用工具的数值例子。
2019-12-03 q-fin.CP q-fin.PR
Interest Rates After The Credit Crunch: Multiple-Curve Vanilla Derivatives and SABR
我们提出了一个定量研究的市场和模型的演变在信贷危机。特别是，我们专注于固定收益市场，我们分析了最相关的实证证据，关于Libor和OIS利率之间的分歧，基差互换利差的爆炸，以及抵押品协议和CSA贴现的扩散，在信贷和流动性影响方面。我们还回顾了从业者中流行的新的现代定价方法，该方法基于反映不同期限的Libor利率的不同信用和流动性风险的多个收益率曲线，以及每日保证金抵押品下衍生品交易产生的现金流的隔夜贴现。本文给出了经典和现代的无套利利率衍生品定价公式，并对具有随机波动率的市场标准SABR模型进行了多曲线推广。然后，我们报告的实证分析结果最近的市场数据比较前和后信贷紧缩的定价方法，并显示从古典到现代框架的市场实践的过渡。特别是，我们证明了利率互换市场已经放弃了自2010年3月以来的经典单曲线定价方法，典型的信贷紧缩前的利率世界，并采用了现代的多曲线CSA方法，从而将信用和流动性的影响到市场价格。同样的分析适用于欧洲上限/下限，发现全面过渡到现代多曲线CSA方法已推迟到2010年8月。最后，我们展示了稳健的SABR模型校准市场波动率微笑一致的新的市场证据。
2012-04-02 q-fin.PR
Why Loss Re-weighting Works If You Stop Early: Training Dynamics of Unconstrained Features
The University of British Columbia（不列颠哥伦比亚大学）
本文通过小型模型揭示了损失重新加权在早停时的有效性，通过恢复平衡学习动态，使多数类和少数类特征同时学习。
2026-01-17 cs.LG
Asset Pricing with Random Volatility
本文提出了一种混合扩散过程的资产价格动态模型，其中潜在扩散过程的瞬时波动率包含一个随机向量。所提出的过程的边际概率分布可以精确地匹配现货香草期权和远期启动期权所隐含的风险中性分布。我们还可以推导出在广义几何布朗运动下具有封闭解的衍生品的显式定价公式。
2018-09-19 q-fin.MF q-fin.PR
Derivative pricing under the possibility of long memory in the supOU stochastic volatility model
考虑了具有长程相关性的支持随机波动率模型。对于这个模型，我们给出了条件的折扣股票价格是一个鞅，计算的特征函数，给一个带，它是解析的，并讨论使用傅立叶定价技术。最后，我们提出了一个具体的规范与多项式衰减自相关性和校准它观察到的市场价格的普通香草期权。
2014-04-07 math.PR q-fin.PR
Stochastic Expansion for the Pricing of Asian and Basket Options
本文利用围绕对数正态代理模型的随机Taylor展开，为篮子期权和离散平均亚式期权提供了高精度的封闭解析近似定价公式。
2024-08-10 q-fin.CP q-fin.MF q-fin.PR
Pricing and Hedging in Affine Models with Possibility of Default
我们提出了一个通用的框架，同时建模的股票，政府债券，公司债券和衍生品。不确定性是由一般的仿射马尔可夫过程产生的。该设置允许随机波动率、跳跃、违约的可能性和不同资产之间的相关性。我们展示了如何通过求解广义Riccati方程的耦合系统来计算折扣复矩。这产生了一种有效的方法来计算电力支付的价格。欧式看涨期权和看跌期权以及二元期权和资产或无资产期权都可以用Carr和Madan（1999）和Lee（2005）的快速傅里叶变换方法定价。其他欧式收益可以用政府债券、幂收益和普通期权的线性组合来近似。我们的结果是优于只使用政府债券和电力支付或政府债券和香草期权。我们还给出了条件，欧洲大陆的索赔在我们的框架是可复制的，如果足够的金融工具是流动性可交易的，并研究动态对冲策略。作为一个例子，我们讨论了一个具有违约可能性和随机利率的Heston型随机波动率模型。
2011-07-05 q-fin.PR
Pricing joint claims on an asset and its realized variance under stochastic volatility models
在随机波动率的框架下，我们发现了一个一般的定价方程的一类支付取决于市场资产的终端价值和其最终的二次变化。这使得欧洲式债权的定价工具能够在到期时支付基础及其已实现波动率/方差的联合函数。我们研究了不同随机波动率模型下的解，给出了这些索赔的Delta和Gamma的计算公式，并介绍了一些新的有趣的支付，可以通过这个方程定价。数值计算结果，并与那些从平原香草衍生物。
2012-06-11 q-fin.PR
A New Approach to Model Free Option Pricing
本文提出了一种新的无模型路径依赖期权定价方法。本文首先介绍了文[3]中关于符号测度上线性优化问题的一般对偶结果，并说明了无模型期权定价问题如何在新的框架下得到形式化。然后，我们引入一个模型来解决这个问题的数值时，提供的唯一信息是香草看涨或看跌期权价格的市场数据。与文献[4]中的常用方法相比，该模型不需要不同期限股票价格的边际分布。虽然实验是针对单一股票的简单路径依赖期权进行的，但该模型易于推广到多资产框架。
2015-01-15 q-fin.PR
Option Pricing and Hedging for Discrete Time Autoregressive Hidden Markov Model
HEC Montréal（蒙特利尔高等商学院）；Concordia University（康考迪亚大学）
本文研究了资产收益服从多元自回归隐马尔可夫模型的离散时间均值-方差套期保值问题。时间相关波动率和序列相关性是金融时间序列的公认性质，我们的模型涵盖了两者。为了说明我们所提出的方法的相关性，我们首先通过似然比检验和一种新的拟合优度检验对标准普尔500指数的日收益率与著名的隐马尔可夫模型进行比较。其次，我们提出了标准普尔500香草期权的样本外对冲结果，以及一个基于理论价格的交易策略，我们比较简单的模型，包括经典的布莱克-斯科尔斯delta对冲方法。
2017-07-07 cs.LG q-fin.CP q-fin.PR
Pricing options with VG model using FFT
我们讨论了各种分析和数值方法，已被用来得到的VG模型的框架内的期权价格。我们发现，一些流行的方法，例如，Carr-Madan的FFT方法可以炸毁某些值的模型参数，即使是欧式香草期权。替代方法-一个最初提出的刘易斯，和布莱克-斯科尔斯明智的方法被认为是似乎工作正常的任何值的VG参数。最后通过算例验证了方法的有效性。并讨论了所有方法的收敛性。
2010-01-15 physics.soc-ph q-fin.PR
Pricing American Options by Exercise Rate Optimization
提出了一种基于蒙特卡罗模拟和执行策略优化的美式期权数值定价方法。这个问题的以前的解决方案显式或隐式地确定所谓的最佳执行区域，其中包括时间和空间上的点，在给定的选项被行使。相比之下，我们的方法确定随机运动策略的运动率。我们证明了相应的随机优化问题的上确界提供了正确的期权价格。通过分析整合的随机行使决定，我们得到一个目标函数，是可微的行使率的扰动，即使是许多样本路径。当从恒定的运动速率开始时，该函数的全局最优值可以逐渐接近。香草看跌期权的多变量布莱克-斯科尔斯模型的数值实验和初步的理论分析强调了我们的方法的效率，无论是在时间离散步骤的数量和所需的自由度的参数化的行使率。最后，通过对经典布莱克-斯科尔斯模型下的max看涨期权和Heston模型及非马尔可夫粗糙Bergomi模型下的香草看跌期权的数值实验，验证了本文方法的灵活性.
2019-08-10 q-fin.CP q-fin.PR
A path integral approach to closed-form option pricing formulas with applications to stochastic volatility and interest rate models
本文提出了一种路径积分方法来推导随机波动率模型中期权价格的封闭解。该方法详细解释了一个简单的香草期权的定价。我们的方法的灵活性，证明了通过扩展的封闭形式的期权价格公式的情况下，波动率和利率都是随机的。这种灵活性对于处理奇异期权是有希望的。我们的新的解析公式进行了测试与数值蒙特卡罗模拟。
2008-06-05 cond-mat.stat-mech physics.soc-ph q-fin.PR
Deep Reinforcement Learning for Equal Risk Pricing and Hedging under Dynamic Expectile Risk Measures
HEC Montréal（蒙特利尔高等商学院）；University of Ottawa（渥太华大学）
最近，公平衍生品定价的框架，平等风险定价，扩展到考虑动态风险措施。然而，所有当前的实现要么采用违反时间一致性的静态风险度量，要么基于传统的动态规划解决方案，这些方案在具有大量基础资产（由于维数灾难）或具有不完整的资产动态信息的问题中是不切实际的。在本文中，我们第一次扩展了一个著名的非策略确定性行动者-批评者深度强化学习（ACRL）算法，以解决风险厌恶马尔可夫决策过程的问题，该过程使用时间一致的递归预期风险度量来建模风险。这种新的ACRL算法使我们能够识别高质量的时间一致的对冲政策（和相等的风险价格）的选项，如篮子期权，不能使用传统的方法来处理，或在只有历史轨迹的基础资产是可用的。我们的数值实验，包括一个简单的香草期权和一个更奇异的篮子期权，证实了新的ACRL算法可以产生1）在简单的环境中，几乎最优的对冲政策，并高度准确的价格，同时为一系列的到期日2）在复杂的环境中，良好的质量政策和价格使用合理的计算资源量;以及3）总体而言，当在稍后的时间点评估风险时，实际上优于使用静态风险度量产生的策略的对冲策略。
2021-09-09 cs.LG q-fin.PR
Pricing with Passion: The Local Occupied Volatility (LOV) Model
Bloomberg（彭博）
LOV模型在Dupire局部波动率与完全路径依赖动态之间平衡，自动校准欧洲普通期权，同时灵活捕捉波动率特征或拟合其他工具。
2026-04-28 q-fin.CP q-fin.MF q-fin.PR
Nonparametric Pricing and Hedging of Volatility Swaps in Stochastic Volatility Models
在本文中，零瓦纳隐含波动率近似的价格新铸造的波动率互换推广到老练的波动率互换。我们还推导出如何波动率掉期可以对冲使用一条香草期权的权重，是直接相关的交易直觉。此外，我们得出的第一和第二阶套期保值波动率互换只使用方差互换。由于动态交易方差掉期一般是更便宜，操作不那么繁琐的动态再平衡一个连续的带的选项相比，我们的研究结果使得波动率掉期对冲实际可行和强大的。在类的随机波动率模型，我们的定价和套期保值的结果是模型无关的，可以实现在几乎没有计算成本。
2020-04-03 q-fin.MF q-fin.PR
Option Pricing in a Regime Switching Stochastic Volatility Model
在经典的股票价格模型中，假设股票价格是几何布朗运动，价格的漂移和波动率是不变的。然而，实际上，波动性确实有所不同。在量化金融中，赫斯顿模型已被成功地用于波动率表示为随机微分方程。此外，我们考虑了一个状态转换模型，其中股票波动动力学依赖于一个潜在的过程，这可能是一个非马尔可夫纯跳跃过程。在此模型假设下，我们得到了欧式香草期权的局部风险最小化定价。价格函数满足赫斯顿型偏微分方程。
2018-01-09 math.PR q-fin.MF q-fin.PR
Implied Correlation for Pricing multi-FX options
根据几种外汇汇率（FXRs）的相关性来确定期权。为了评估期权，可以使用相关性的历史估计，但通常它们并不稳定。更重要的是，使用这些估计的期权定价通常与交易的普通合约不一致。为了给以相同货币计价的多个外汇期权定价，金融从业者和交易员经常使用从形成“货币三角形”的外汇期权的隐含波动率计算出的隐含相关性。然而，某些期权可能具有不同计价货币的基础FXRs。在本文中，我们提出的公式之间的隐含相关性，这样的FXRs。这些可以用于估值，例如，具有不同计价货币的两个FXR上的障碍期权，其中一个FXR确定期权在到期时的价内或价外，而另一个FXR与障碍相关。其他相关的选择是直截了当的。
2009-04-30 q-fin.PR
Keeping Up with the Correlations: Stochastic Spot/Volatility Correlation and Exotic Pricing
本文提出了一种包含随机即期/波动率相关性的双Heston模型，用于更准确地定价外汇市场中的障碍衍生品和波动率交换。
2026-02-01 q-fin.PR
Option pricing under Ornstein-Uhlenbeck stochastic volatility: a linear model
本文研究了随机波动率模型下的期权定价问题，重点研究了指数Ornstein-Uhlenbeck过程和Stein-Stein过程的线性逼近。事实上，我们表明，他们承认相同的限制动态的波动率过程中的低波动的制度，在此情况下，我们得到的风险中性概率密度的特征函数的精确表达式。这个表达式允许我们利用刘易斯和利普顿推导的公式计算期权价格。我们详细分析了普通香草电话的情况下，可靠的隐含波动率表面是可用的液体工具。我们还计算了前四个累积量的解析表达式，这对于实现简单的两步校准过程至关重要。它已被测试对一组数据的选择权交易的米兰证券交易所。我们提出的数据分析揭示了一个很好的配合与市场隐含的表面，并证实了线性近似的准确性。
2010-05-11 q-fin.PR
Asians and cash dividends: Exploiting symmetries in pricing theory
在这篇文章中，我们提出了新的结果算术亚式期权的定价在Black-Scholes背景下。为了得到这些结果，我们广泛使用的局部规模不变性，存在于未定权益定价理论。这使我们能够以自然的方式推导出算术亚洲期权价格的简单PDE。在欧式平均执行期权的情况下，适当地选择计价单位可以将这个偏微分方程的维数减少到1，从而得到类似于Rogers和Shi导出的偏微分方程。我们解决了这个偏微分方程，找到一个拉普拉斯变换表示的平均执行期权的价格，经验和非经验。这扩展了Geman和Yor的结果，他们讨论了平均价格期权的情况。接下来，我们使用对称性论证来证明平均执行价格和平均价格期权的价格可以用彼此来表示。最后，我们表明，再次使用对称性，支付已知现金股息的股票的普通香草期权与算术亚洲人密切相关，因此所有的新技术都可以直接应用于这种情况。
2000-06-08 cond-mat.stat-mech q-fin.PR
Deep Partial Least Squares for Empirical Asset Pricing
Illinois Institute of Technology（伊利诺伊理工学院）；University of Chicago（芝加哥大学）
我们使用深度偏最小二乘（DPLS）估计的资产定价模型的个股回报，利用条件信息在一个灵活的和动态的方式，同时归因于超额收益率的一小部分统计风险因素。新的贡献是解决非线性因子结构，从而推进了经验资产定价中深度学习的当前范式，该范式在高斯资产收益和因子的假设下使用线性随机贴现因子。这种非线性因素结构是通过使用投影最小二乘法将公司特征和资产回报联合投影到潜在因素的子空间上，并使用深度学习来学习从因素负载到资产回报的非线性映射来提取的。捕捉这种非线性风险因素结构的结果是通过线性风险因素暴露和相互作用效应来表征资产回报的异常。因此，众所周知的深度学习捕捉离群值的能力，揭示了潜在因子结构中凸性和高阶项对因子风险溢价的作用。在实证方面，我们实现了我们的DPLS因子模型，并表现出优于LASSO和普通深度学习模型的性能。此外，我们的网络训练时间显着减少，由于更简约的架构DPLS。具体来说，使用1989年12月至2018年1月期间罗素1000指数中的3290个资产，我们评估了我们的DPLS因子模型，并生成了比深度学习高出约1.2倍的信息比率。DPLS解释变异和定价错误，并确定最突出的潜在因素和企业特征。
2022-06-20 cs.LG q-fin.PM q-fin.PR
The Variance of Standard Option Returns
绝大多数关于期权定价的工作都是基于风险中性定价的假设，因此主要关注期权收益的期望值，而不考虑风险参数，如方差。我们表明，它是可能的，以明确的公式为欧式期权收益率（香草呼叫和看跌期权，以及障碍期权）的方差，并为美式期权的方差可以使用PDE方法计算，涉及修改后的Black-Scholes PDE。我们展示了如何需要考虑风险参数，如方差，以及到期无价值的概率（PEW），自然产生的个人投资者的选择。此外，我们表明，波动率微笑出现在一个简单的风险寻求期权定价模型。
2012-04-16 q-fin.PR q-fin.RM
Extending the Black-Scholes Option Pricing Theory to Account for an Option Market Maker's Funding Costs
期权做市商在持有和对冲库存时会产生融资成本。例如，为了对冲净多头delta库存，她需要支付一定的费用，从证券借贷市场借入股票。由于理发，她张贴额外的现金保证金的贷款人需要在她的无担保债务利率融资。本文在经典期权定价理论中引入了融资不对称性（借入现金和投资现金的不同利率）和现实的股票融资成本。结果表明，一个选项的位置可以动态复制和自我融资的存在，这些资金成本。注意到资金的数额和成本是不同的多头和空头头寸，我们扩展的布莱克-斯科尔斯偏微分方程（PDE）的每一个位置的一方。偏微分方程的非线性融资成本项创建了一个自由融资边界，并将导致期权多头头寸的买价低于空头头寸的卖价。提出了一种计算欧式和美式期权价格的Crank-Nicholson有限差分法。数值结果表明，合理的融资成本参数可以很容易地产生与市场上观察到的流动性较低、期限较长的期权相同大小的买卖价差。投资组合层面的定价示例显示了套期保值的净效应，这可能会缓和融资成本的影响。
2015-10-15 q-fin.MF q-fin.PR
Tradable Schemes
本文提出了一种基于可交易性的有限差分方案，用于高精度快速定价各类衍生证券，包括亚洲期权和股票期权。
2025-12-28 cond-mat.stat-mech q-fin.PR
Pricing European Options in Realistic Markets
本文研究了在不考虑交易费用和其他费用的情况下欧式普通期权的公允价格与标的资产短期收益率分布之间的关系。我们计算的风险中性概率密度的条件下，总方差的资产的回报时，期权到期。如果资产的未来价格具有有限的期望，期权的公允价值满足一个Black-Scholes型抛物型偏微分方程，其中资产收益的方差而不是交易时间是演化参数。通过免疫投资组合对大规模的价格波动的资产，期权的估值扩展到现实的情况下\cite{St99}的资产，其短期收益有有限的方差，但非常大，甚至无限的，更高的时刻。一个动态的Delta对冲投资组合，是静态保险，以防止异常大的波动，包括至少两个不同的选择的资产。在这种情况下，期权的公允价值由资产的所有期权共同的通用漂移函数确定。这种漂移被解释为由于资产价格的异常大的变化而暴露于风险的投资的溢价。它影响期权估值，就像布莱克-斯科尔斯世界中标的资产的有效持有成本一样。推导出的现实市场中的期权定价公式是无套利的构造。一个简单的常值漂移模型定性地再现了经常观察到的波动率偏斜和长期结构.
2002-10-06 physics.data-an physics.soc-ph q-fin.PR
A Numerical Study of Radial Basis Function Based Methods for Options Pricing under the One Dimension Jump-diffusion Model
University of London（伦敦大学）
本文使用基于三次样条径向基函数插值的无网格方法求解一维偏积分微分方程，用于美式和欧式期权定价，并提出了改进积分精度的数值算法，数值验证了格式的二阶精度。
2011-10-25 cs.NA math.NA q-fin.CP
Multidimensional Breeden-Litzenberger representation for state price densities and static hedging
在这篇文章中，我们考虑的$h(X^1_T, X^2_T,\ldots, X^n_T)$型欧式期权取决于几个标的资产。我们研究如何在非指定市场模型中的简单的香草期权，这样的期权可以估价。我们考虑不同的方法有关的静态套期保值，并推导出几个定价公式的广泛的一类支付函数$h:\R_+^n\rightarrow \R$。在一维和多维情况下，我们也给出了不同期权价格之间的新关系。
2014-01-20 math.PR q-fin.PR
Model-independent Superhedging under Portfolio Constraints
在离散时间市场中，我们研究了模型独立的超套期保值，而半静态的超套期保值投资组合由{ \it three}部分组成：在流动性交易的香草呼叫的静态位置，在其他可交易的静态位置，但可能流动性较低，异国情调的选择，并在一定的限制下，在风险资产的动态交易策略。通过考虑每个可交易的奇异期权的限价订单簿，利用Monge-Kantorovich最优运输理论，建立了一般的超套期保值对偶，它与凸风险测度有着天然的联系.借助于这种对偶性，我们导出了资产定价基本定理的一个与模型无关的版本。引入了弱于无套利的“有限最优套利利润”概念。值得注意的是，我们的方法涵盖了一大类Delta约束以及Gamma约束。
2015-06-12 q-fin.PR
Decomposition formula for rough Volterra stochastic volatility models
本文的研究为一类粗糙分数随机波动率模型提供了一种可供选择的期权定价方法。由于这些模型与金融市场惊人的一致性，它们在学术界和从业者中越来越受欢迎。然而，它们也带来了一些挑战。最值得注意的是，即使是简单的非线性金融衍生品，如香草欧式期权，通常也是通过蒙特卡罗（MC）模拟来定价的，这比标准随机波动率模型的类似MC方案的计算要求更高。本文证明了一般Gaussian Volterra过程的预测律。预测法，然后利用获得一个适应的预测未来平方波动率-建议的定价近似的基石。首先给出了一般Volterra波动率模型下欧式期权价格的分解公式。然后，我们专注于粗糙分数波动率的特定模型，我们推导出一个显式的半封闭近似公式。一个流行的模型-的rBergomi模型-的近似的数值特性进行了研究，我们提出了一个混合校准方案，它结合了近似公式与MC模拟。如一组AAPL选项所示，该方案可以显著加快对金融市场的校准。
2019-08-01 math.PR q-fin.PR
Valuation of Variable Annuities with Guaranteed Minimum Withdrawal Benefit under Stochastic Interest Rate
附有保证最低提取利益（GMWB）的变额年金契约承诺透过在契约期内提取现金，以及于到期时的账户馀额，归还全部初始投资，而不论投资组合的表现如何。在保单持有人最优（动态）退出策略下，GMWB定价成为一个最优随机控制问题，可以通过Bellman方程的向后递推求解。在本文中，我们开发了一个非常有效的新算法定价这些合同的情况下，随机利率没有考虑以前在文献中。目前，我们的方法被应用到Vasicek利率模型，但它通常适用于任何模型时，过渡密度或矩的基础资产和利率是已知的封闭形式或可以有效地评估。使用债券价格作为一个numeraire所需的期望在向后递归减少到二维积分计算通过高阶高斯-Hermite积分应用于二维三次样条插值。从一系列的GMWB合同的静态和最佳情况下的新算法的数值结果。作为验证，该算法的结果进行了比较，与封闭形式的解决方案，简单的香草选项，并与蒙特卡罗和有限差分结果的静态GMWB。比较表明，新算法是显着的速度比有限差分或蒙特卡罗的所有二维问题测试到目前为止。对于动态GMWB定价，我们发现当标的资产与利率正相关时，随机利率下的GMWB价格显著高于确定性利率下的GMWB价格，而当标的资产与利率负相关时，两者之间的差异较小但仍然显著。
2017-01-15 q-fin.PR
Vanna-Volga methods applied to FX derivatives : from theory to market practice
本文研究了外汇市场上第一代奇异期权的Vanna-Volga定价方法。它们基于通过所谓的“生存概率”和“预期首次退出时间”对布莱克-斯科尔斯价格修正的重新调整。由于这些方法在很大程度上依赖于对市场数据的适当处理，我们还提供了相关惯例的摘要。我们提供了一个理由的核心技术的情况下，香草期权，并显示如何适应它的异国情调的期权定价。我们的研究结果进行了比较，大量的指示性市场价格和更复杂的模型。最后，我们提出了一个简单的校准方法的基础上，一触式价格，使瓦纳伏尔加的结果符合我们的市场数据池。
2010-05-03 q-fin.CP q-fin.PR
Conditional Deep Levy Models for Exotic Derivatives: History-Aware Path Generation and P-Q Payoff Diagnostics
Johns Hopkins University（约翰霍普金斯大学）；University of Washington Seattle（华盛顿大学（西雅图））
该研究提出基于DLPMs的历史感知路径生成器，在股指路径生成任务中优于对照组，并构建P-Q收益诊断框架，用于奇异衍生品的收益分析。
2026-08-04 cs.LG q-fin.PR q-fin.RM
Applying Deep Learning to Calibrate Stochastic Volatility Models
Imperial College London（帝国理工学院）
本文应用微分机器学习（DML）对Heston随机波动率模型下的欧式看跌期权进行定价与校准，并引入正则化技术，证明DML在减少过拟合和提升泛化能力上优于经典深度学习，显著缩短校准时间。
2023-09-25 cs.AI q-fin.CP q-fin.MF
