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
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。
2026-11-13 q-fin.CP q-fin.PM q-fin.RM
Deep Hedging: Continuous Reinforcement Learning for Hedging of General Portfolios across Multiple Risk Aversions
我们提出了一种方法,找到最优的套期保值政策,任意初始投资组合和市场状态。我们开发了一种新的演员-评论家算法来解决一般的风险厌恶随机控制问题,并用它来学习对冲策略,同时在多个风险厌恶水平。通过一个随机波动率环境下的数值算例,验证了该方法的有效性.
2022-07-15 q-fin.CP q-fin.RM stat.ML
Uncertainty-Aware Deep Hedging
London School of Economics and Political Science(伦敦政治经济学院)
本文提出一种基于深度集合的不确定性量化方法,改进深度对冲策略,通过结合Black-Scholes delta和模型不确定性,提升对冲效果。
2026-03-10 q-fin.CP
Application of Deep Reinforcement Learning to At-the-Money S&P 500 Options Hedging
Faculty of Economic Sciences, University of Warsaw(华沙大学经济学院);Department of Quantitative Finance and Machine Learning, University of Warsaw(华沙大学量化金融与机器学习系);TripleSun, Krakow(克拉科夫TripleSun)
本文提出基于TD3的深度强化学习智能体用于S&P 500平价期权对冲,在近17年样本外数据上优于Black-Scholes delta对冲,尤其在波动或高成本环境下表现稳健。
2025-10-10 cs.LG q-fin.CP q-fin.PR
Short dated smile under Rough Volatility: asymptotics and numerics
鲁棒随机波动率模型的精确渐近性; 2021]我们引入了一种新的方法来分析大类(经典和粗糙)随机波动率模型,特别是关于期权价格的短期和小噪声公式,使用框架[Bayer et al; A regularity structure for rough volatility; Math.Fin. 2020年]。在这里,我们调查的精细结构,这种扩展在大偏差和中等偏差制度,以及隐含波动率的后果。我们讨论这些公式的实际应用相关的计算方面。我们专门这样的扩展原型粗糙波动率的例子,并讨论数值证据。
2021-09-29 q-fin.CP
On the weak convergence rate in the discretization of rough volatility models
研究了粗糙波动率模型离散化的弱收敛速度。在给出了一般模型下的一个下界$2H$(其中$H$是波动过程的Hurst指数)之后,我们在线性模型下给出了一个更清晰的界$H + 1/2$.
2022-03-06 q-fin.CP
Reinforcement learning for options on target volatility funds
Intesa Sanpaolo Group(联合圣保罗银行集团);Marketz S.p.A.(Marketz 股份有限公司);X-Numeris S.r.l.(X-Numeris 有限责任公司)
在这项工作中,我们处理的资金成本上升,从对冲风险证券的基础上的目标波动率策略(TVS),一个投资组合的风险资产和无风险的动态再平衡,以保持已实现波动率的投资组合在一定的水平。TVS风险投资组合中的不确定性以及每个组成部分的套期保值成本的差异需要解决一个控制问题来评估期权价格。我们推导出一个解析解的问题在布莱克和斯科尔斯(BS)的情况下。然后,我们使用强化学习(RL)技术来确定在局部波动率(LV)模型下导致最保守价格的基金组成,其中先验解不可用。我们展示了RL代理的性能如何与通过将路径明智的BS分析策略应用于TVS动态所获得的性能兼容,因此在LV场景中也具有竞争力。
2021-12-03 cs.LG q-fin.CP q-fin.PR
Towards a fast and robust deep hedging approach
提出一种基于模型嵌入的稳健深度对冲框架,通过低维向量重校准快速适应新市场制度,提升训练效率与稳健性,并支持开发模型无关的对冲策略。
2025-04-23 q-fin.CP
CVA in fractional and rough volatility models
在这项工作中,我们提出了一个一般的表示公式的脆弱的欧式期权的价格,和相关的CVA随机(粗糙或不)波动率模型的基础价格,当承认相关的违约事件。我们专门为一些波动率模型,我们提供价格近似,基于表示公式。我们数值研究其准确性,比较结果与蒙特卡罗模拟,我们运行的误差的理论研究。我们还介绍了粗糙度对索赔价格的影响的开创性研究。
2022-04-25 q-fin.CP
Calibrating rough volatility models: a convolutional neural network approach
在本文中,我们使用卷积神经网络来找到模拟样本路径的rBergomi模型,最近提出的股票价格模型中使用的金融数学的Hölder指数。我们将其作为一个校准问题,从而提供了一个非常实用和有用的应用。
2019-07-28 q-fin.CP
Pricing and Hedging GMWB in the Heston and in the Black-Scholes with Stochastic Interest Rate Models
保证最低提取收益(Guaranteed Minimum Withdrawal Benefit,简称GMWB)的评估已经引起了学术界和现实世界金融市场的极大关注。正如Yang和Dai所说,Black和Scholes框架似乎不适合如此长的成熟度产品。Chen Vetzal和Forsyth也表明,这些产品的价格对利率和波动率参数非常敏感。本文提出了一个随机波动率模型(Heston模型)和一个带有随机利率的布莱克-斯科尔斯模型(Hull White模型)。为此,我们提出了四个数值方法定价GMWB变量年金:混合树有限差分法和混合蒙特卡罗方法,ADI有限差分格式,和标准蒙特卡罗方法。这些方法用于确定最流行的GMWB合约版本的无套利费用,并计算套期保值中使用的希腊人。同时考虑了常数提款、最优退保和最优提款策略。数值结果表明,经济,合同和长寿假设的无套利费用的敏感性。
2016-03-01 q-fin.CP q-fin.PR
Detecting Rough Volatility: A Filtering Approach
本文主要研究基于高频数据的资产价格历史波动率的估计问题。随机波动率模型提出了一个重大的统计挑战:由于在现实中历史波动是不可观察的,其目前的水平,并可能,其动态参数必须估计从可观察的资产价格的时间序列。更复杂的是,最近的研究分析了波动率时间序列的粗糙行为,以挑战波动率过程是布朗半鞅的常见假设。为了有效地解决在这种情况下出现的推理任务,我们使用的事实,分数布朗运动可以表示为马尔可夫半鞅(Ornstein-Uhlenbeck过程)的叠加,我们解决了过滤(和参数估计)问题,通过诉诸更标准的技术,如粒子的方法。
2023-02-24 q-fin.CP
Deep learning interpretability for rough volatility
针对深度学习在金融模型中“黑箱”可解释性缺失问题,在粗糙波动率模型背景下分析神经网络学习的参数与隐含波动率间的逆映射,为量化金融领域安全使用神经网络提供框架支持。
2024-11-28 q-fin.CP
Semimartingale and continuous-time Markov chain approximation for rough stochastic local volatility models
粗糙波动率模型最近已被实证证明,提供了一个很好的适合历史波动率时间序列和隐含波动率微笑的SPX期权。它们是连续时间随机波动率模型,其波动过程是由分数阶布朗运动驱动的,Hurst参数小于一半。由于它既不是半鞅也不是马尔可夫过程的挑战,没有一个统一的方法,不仅适用于所有的粗糙波动率模型,而且是计算效率。针对一般的粗糙随机局部波动率(RSLV)模型,提出了一种半鞅和连续时间马尔可夫链(CTMC)逼近方法。特别地,我们引入扰动随机局部波动率(PSLV)模型作为RSLV模型的半鞅逼近,并建立了它的存在性、唯一性和马尔可夫表示。我们提出了一个快速CTMC算法,并证明了它的弱收敛性。数值实验表明,该方法对欧式期权、障碍期权和美式期权的定价是准确和高效的。与现有文献相比,在CPU时间达到相同的精度水平显着减少。
2021-10-29 q-fin.CP q-fin.MF
On simulation of rough Volterra stochastic volatility models
粗糙Volterra波动率模型是衍生品定价中一个不断发展和有前途的研究领域。虽然粗糙分数随机波动率模型已经被证明是优越的真实市场数据拟合,这些模型的模拟技术仍然是效率低下的速度和准确性。本文旨在为广泛的粗糙波动率模型的Monte-Carlo模拟提供准确有效的工具和技术。特别是,我们比较了三种常用的模拟方法:Cholesky方法,混合方案,和rDonsker计划。我们还评论实施的方差缩减技术。特别是,我们展示了所谓的涡轮增压技术的障碍,其性能有时会适得其反。为了克服这些障碍,我们提出了一些修改。
2022-08-02 q-fin.CP q-fin.PR
Multi-factor approximation of rough volatility models
粗糙波动率模型因其对历史波动率和隐含波动率的显著拟合而非常有吸引力。然而,由于波动率过程的非马尔可夫和非半鞅性质,没有简单的方法来有效地模拟这样的模型,这使得衍生品的风险管理成为一项复杂的任务。在本文中,我们设计了易于处理的多因素随机波动率模型近似粗糙波动率模型和享受马尔可夫结构。此外,我们将我们的程序的粗糙赫斯顿模型的具体情况。这反过来又使我们能够推导出一个数值方法来解决分数Riccati方程出现在特征函数的对数价格在这种设置。
2018-04-11 math.PR q-fin.CP q-fin.PR
Rough volatility dynamics in commodity markets
Intesa Sanpaolo, Financial Engineering(圣保罗银行,金融工程部门);Department of Mathematics and CITIC, Universidade da Coruña(科鲁尼亚大学数学系和CITIC)
本文提出一种通用的粗糙波动模型,用于自动校准期货价格的初始期限结构并处理Samuelson效应。通过理论分析后,重点研究rBergomi和rHeston模型及其对WTI原油期货期权市场数据的校准,并通过数值结果展示所提模型在商品定价中的表现。
2026-03-27 q-fin.CP q-fin.PR
An Efficient Calibration Framework for Volatility Derivatives under Rough Volatility with Jumps
University of Southern California(南加州大学)
本研究提出一种结构保持的快速鲁棒随机波动率模型校准方法,通过拆分定价公式、GPU预计算无关积分及小网络拟合市场相关项,在带跳粗糙波动率模型上实现VIX期权的高效高精度校准。
2025-10-21 q-fin.CP q-fin.PR
Weak error approximation for rough and Gaussian mean-reverting stochastic volatility models
CERMICS, ENPC, Institut Polytechnique de Paris, CNRS(巴黎高等师范学院工程数学中心,国立桥路学校,巴黎理工学院,法国国家科学研究中心);MathRisk team-project, Inria Paris(Inria 巴黎分校 MathRisk 项目组);LaMME, CNRS, UMR 8071, Université Évry Paris Saclay(埃夫里萨克莱大学 LaMME 实验室,法国国家科学研究中心)
本文研究了粗略与高斯均值回归随机波动模型的弱误差近似,通过积分核欧拉方案得到离散化粗略奥本海姆-乌伦贝克过程的弱收敛速率,并在多项式测试函数下获得相同收敛速率。
2026-02-20 math.PR q-fin.CP
What Does Deep Hedging Actually Learn? Delta Corrections, Regime Fragility, and Symbolic Distillation
New Economic School(新经济学院)
本文研究了在局部下行短缺奖励下S&P 500指数期权的实证深度对冲,探讨了学习到的对冲策略在何时失效以及是否可以被审计。通过将TD3代理与每日更新的Black-Scholes delta对冲进行比较,发现代理通常学习到比Black-Scholes更系统的delta haircut,但这种修正在恶劣条件下表现出脆弱性,符号回归将神经策略蒸馏为可交易的紧凑公式,这些公式在保留收益、下行方差和CVaR优势的同时,继承了相同的脆弱性。
2026-05-20 q-fin.CP q-fin.PR q-fin.RM
On the universality of the volatility formation process: when machine learning and rough volatility agree
Ecole Polytechnique(巴黎综合理工学院);Exoduspoint Capital Management(Exoduspoint资本管理公司)
我们训练了一个基于由数百只流动股票组成的池化数据集的LSTM网络,旨在预测所有股票的下一个每日已实现波动率。显示出这种通用LSTM相对于其他资产特定参数模型的一致表现,我们发现了跨资产的通用波动率形成机制的非参数证据,这些资产将过去的市场实现(包括每日回报和波动率)与当前波动率联系起来。将粗糙分数随机波动率和二次粗糙赫斯顿模型与固定参数相结合的简约参数预测设备,其性能与通用LSTM相同,这从参数角度证实了波动率形成过程的普遍性。
2022-06-28 cs.LG q-fin.CP q-fin.RM
Volatility models in practice: Rough, Path-dependent or Markovian?
本文基于SPX期权数据实证检验粗糙波动率模型,发现其与SPX微笑曲线形态不一致,并识别出仅需3至4个参数的非粗糙路径依赖模型和双因子马尔可夫模型,在刻画一周至三年SPX微笑方面表现更优。
2025-04-09 q-fin.CP q-fin.MF q-fin.PR
Adversarial Deep Hedging: Learning to Hedge without Price Process Modeling
The University of Tokyo(东京大学);Preferred Networks, Inc.(Preferred Networks 公司)
提出对抗深度对冲框架,通过对抗训练对冲者与生成器,无需显式建模资产价格过程,实现稳健对冲并在真实市场数据上达到竞争性能。
2023-07-25 cs.AI q-fin.CP
Fast Deep Hedging with Second-Order Optimization
Imperial College London(帝国理工学院);J.P. Morgan(摩根大通)
针对深度对冲神经网络训练收敛慢的问题,提出基于路径可微性、块对角近似与克罗内克因子分解的二阶优化方案,在棘轮期权对冲任务中步数仅为标准方法的1/4。
2024-10-29 cs.LG q-fin.CP q-fin.RM
Deep calibration of the quadratic rough Heston model
二次粗糙赫斯顿模型提供了一种自然的方式来编码Zumbach效应在粗糙波动范式。我们应用多因素近似并使用深度学习方法来为该模型构建一个有效的校准程序。我们发现,该模型能够很好地再现SPX和VIX隐含波动率。我们通常会在买卖价差内获得VIX期权价格,并与SPX在货币偏差上非常吻合。此外,我们还解释了如何使用训练好的神经网络进行套期保值与套期保值量的瞬时计算。
2022-05-30 q-fin.CP q-fin.MF q-fin.PR
Weak error rates of numerical schemes for rough volatility
粗糙波动率模型的模拟涉及随机积分的离散化,其中被积函数是Hurst指数$H \in (0,1/2)$的(相关)分数布朗运动的函数。我们得到的结果收敛速度弱错误的这种近似,在特殊情况下,被积函数是fBM本身,或测试功能是三次。我们的结果表明,收敛的顺序$(3H+ \frac{1}{2}) \wedge 1$的精确左点离散,和顺序$H+\frac{1}{2}$的混合格式与良好的选择权。
2023-02-05 math.PR q-fin.CP
American Option Pricing Under Time-Varying Rough Volatility: A Signature-Based Hybrid Framework
本文提出一种基于signature的混合框架,通过动态估计时变Hurst参数并切换rough Bergomi与Heston模拟器,结合RFF加速核计算,实现了时变粗糙波动率下美式期权的实时定价。
2025-08-12 q-fin.CP q-fin.MF
Weak error rates for option pricing under linear rough volatility
在量化金融中,对标的资产的波动率结构建模对于期权定价至关重要。粗糙随机波动率模型,如粗糙Bergomi模型[Bayer,Friz,Gatheral,量化金融16(6),887-904,2016],试图拟合观察到的市场数据,基于观察到对数实现方差在合理的时间尺度上表现得像具有小Hurst参数的分数布朗运动,$H < 1/2$。资产价格的时间序列和期权衍生价格数据都表明$H$经常取接近$0.1$或更小的值,即,比布朗运动更粗糙。这一变化改善了对期权价格和标的资产价格时间序列的拟合,同时保持了简约性。然而,粗糙波动率模型中驱动分数布朗运动的非马尔可夫性质对理论和数值分析以及计算实践提出了严峻的挑战。虽然显式欧拉方法已知收敛到粗糙Bergomi和类似模型的解,但其强收敛速度仅为$H$。我们证明率$H + 1/2$的欧拉方法的弱收敛的粗糙Stein-Stein模型,将波动率作为一个线性函数的驱动分数布朗运动,令人惊讶的是,我们证明率一的情况下,二次支付功能。我们的证明使用Talay-Tubaro扩展和仿射马尔可夫表示的基础,并进一步支持数值实验。这些收敛结果提供了第一步推导弱利率粗糙Bergomi模型,它把波动率作为一个非线性函数的驱动分数布朗运动。
2021-12-15 cs.NA math.NA math.PR