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
Efficient option pricing in the rough Heston model using weak simulation schemes
本研究基于低维马尔可夫近似提出一种适用于标准及超粗糙情形的粗糙Heston模型弱模拟格式,具备二阶弱收敛性与线性计算成本,在多种期权定价测试中表现出更高的准确性与效率。
2023-10-06 q-fin.CP
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
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
Fast reliable pricing and calibration of the rough Heston model
The University of Texas at Austin(德克萨斯大学奥斯汀分校);Deutsche Bank(德意志银行);Calico Science Consulting(卡利科科学咨询)
结合改进的Adams方法和SINH加速傅里叶反演,实现粗糙Heston模型下期权的快速精确定价,揭示幽灵校准现象,并提出通用共形自举原理确保误差控制。
2026-07-01 q-fin.CP
Machine Learning for Pricing American Options in High-Dimensional Markovian and non-Markovian models
在本文中,我们提出了两种有效的技术,可以计算美式一篮子期权的价格。特别是,我们考虑一篮子资产,遵循多维Black-Scholes动态。所提出的技术,称为GPR树(GRP-Tree)和GPR精确积分(GPR-EI),都是基于机器学习,利用二叉树或一个封闭的公式进行整合。此外,这两种方法解决了向后动态规划问题考虑了一个美式期权的达旦近似。在行权日,期权的价值首先被计算为行权价值和延续价值之间的最大值,然后通过高斯过程回归来近似。这两种方法的主要区别在于计算延拓值的方法不同:根据过程的概率密度,一步二叉树或积分。数值结果表明,这两种方法在处理大篮子资产的美式期权时是准确可靠的。此外,我们还考虑了粗糙Bergomi模型,它提供了随机波动率的记忆。尽管这个模型只是二维的,但整个过程的历史都会影响价格,处理所有这些信息并不明显。为此,我们提出了如何适应GPR-Tree和GPR-EI方法,我们专注于定价美式期权在这个非马尔可夫框架。
2019-06-19 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
A time-stepping deep gradient flow method for option pricing in (rough) diffusion models
TU Delft(代尔夫特理工大学);National Technical University of Athens(雅典国家技术大学);FORTH(希腊研究与技术基金会)
提出一种时间步进深度梯度流方法,将期权定价偏微分方程转化为能量最小化问题,有效解决粗糙波动率模型高维近似下的欧式期权定价,并保持渐近行为与先验界限。
2025-04-03 cs.LG math.PR q-fin.CP
Implied Volatility Expansions for VIX Options in Forward Variance Models
University of Glasgow(格拉斯哥大学);Western University(韦仕敦大学);NYU(纽约大学)
本文在远期方差模型框架下,利用弱近似技术推导出VIX期权隐含波动率的闭式展开,实现快速准确校准。
2026-11-10 q-fin.CP q-fin.MF
Joint SPX-VIX calibration with Gaussian polynomial volatility models: deep pricing with quantization hints
本文提出一种基于函数量化和神经网络的高斯多项式波动率模型统一校准方法,首次发现传统单因子马尔可夫模型能同时出色拟合SPX和VIX隐含波动率及VIX期货期限结构,且优于同参数数量的粗糙路径依赖模型。
2024-12-16 q-fin.CP q-fin.MF
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
Solving path dependent PDEs with LSTM networks and path signatures
使用递归神经网络和粗糙路径理论的签名方法的组合,我们设计了有效的算法来求解路径依赖偏微分方程(PPDE)的参数族,这些方程在路径依赖衍生品的定价和对冲中或使用非马尔可夫模型时出现,例如Jacquier和Oumgari的粗糙波动率模型,2019年。PPDE的解是时间、连续路径(资产价格历史)和模型参数的函数。由于解的域是无限维的,因此许多最近开发的用于求解偏微分方程的深度学习技术并不适用。与Vidales et al. 2018类似,我们通过使用鞅表示定理来确定用于学习PPDE的目标函数。因此,我们可以去偏,并提供置信区间,然后神经网络为基础的算法。我们验证我们的算法使用经典的模型定价回看和自动赎回的选项和报告的错误近似的价格和对冲策略。
2020-11-20 q-fin.CP
The SINC way: A fast and accurate approach to Fourier pricing
本文的目标是研究我们之一(PR)在Cherubini等人(2009)中概述的计算期权价格的方法。我们称之为SINC方法。虽然Fang和Osterlee(2009)的COS方法利用截断密度的傅里叶余弦展开,但SINC方法建立在香农采样定理的基础上,重新研究具有有界支持的函数。我们提供了几个在早期推导中缺少的结果:i)当支持增长和傅立叶频率的数量增加时,SINC公式收敛到正确的期权价格的严格证明; ii)准备好实施看跌、现金或无和资产或无期权的公式; iii)与COS公式对几个对数价格模型的系统比较; iv)对其他快速傅立叶规范的数值挑战,如Carr和Madan(1999)和Lewis(2000); v)在Jaisson和Rosenbaum(2015)的粗糙Heston模型下的广泛定价练习; vi)数值计算截断密度的矩的公式。SINC方法的优点很多。与基准方法相比,SINC提供了最准确和快速的定价计算。该方法自然有助于通过快速傅立叶技术同时对所有选项进行定价,从而提高快速校准。定价只需要求助于傅立叶空间中的奇矩。这份手稿的前一个版本以“粗糙的赫斯顿:SINC方式”为题流传。
2021-05-19 q-fin.CP q-fin.PR
Correct implied volatility shapes and reliable pricing in the rough Heston model
本文提出使用改进的Adams方法和sinh-acceleration iFT方法精确计算粗糙Heston模型下的期权价格,揭示了传统数值方法导致的虚假校准问题,并引入共形Bootstrap原理以避免此类误差,实现可靠定价与校准。
2024-12-20 q-fin.CP q-fin.MF
Least squares Monte Carlo methods in stochastic Volterra rough volatility models
针对 vol-of-vol 可依赖波动率且非 Markov 的随机 Volterra 粗糙波动率模型,本文利用无穷维 Markov 表示提出可扩展的最小二乘蒙特卡洛 VIX 期权定价方法,并通过基准模拟验证其效率。
2021-05-10 q-fin.CP q-fin.PR
Alternative models for FX: pricing double barrier options in regime-switching Lévy models with memory
本文提出带记忆的状态切换 Lévy 模型以改进外汇双重障碍期权定价,并修改原有数值方法,使其在保持与马尔可夫状态切换模型相同主要计算模块数量的同时,兼具灵活性和机器学习适用性。
2024-02-26 q-fin.CP q-fin.PR
Single- and Multilevel Quadrature with Error Control for Fourier Pricing under the Rough Heston Model
Utrecht University(乌得勒支大学);RWTH Aachen University(亚琛工业大学);King Abdullah University of Science and Technology (KAUST)(阿卜杜拉国王科技大学)
针对粗糙Heston模型傅里叶定价的误差控制需求,提出单级与多级高斯-拉盖尔求积法,平衡两类误差,多级法计算成本更低且优于BL2近似。
2026-09-02 cs.NA math.NA q-fin.CP
The characteristic function of rough Heston models
最近的研究表明,粗糙波动率模型,其中的波动率是由分数布朗运动驱动的小赫斯特参数,提供了非常相关的动态,以再现历史和隐含波动率的行为。然而,由于分数布朗运动的非马尔可夫性质,他们提出了新的问题时,衍生品定价。利用近似不稳定Hawkes过程与分数波动率模型之间的一种联系,我们计算了粗糙Heston模型中对数价格的特征函数。在经典的Heston模型中,特征函数用Riccati方程的解表示。在这里,我们表明,粗糙赫斯顿模型表现出相当相似的结构,Riccati方程被取代的分数Riccati方程。
2016-09-07 q-fin.CP q-fin.MF
Differential Machine Learning for 0DTE Options with Stochastic Volatility and Jumps
Faculty of Economics and Business Administration, Soka University(创价大学经济与商业管理学院)
本文提出了一种差分机器学习方法,用于在随机波动率跳跃扩散模型下处理零天到期期权,通过结合价格和希腊字母的监督以及PIDE残差惩罚,提高了跳跃项的近似能力,同时保持了定价误差的可比性,并在希腊字母计算、delta对冲和速度方面表现出色。
2026-07-14 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
Non-Equilibrium Skewness, Market Crises, and Option Pricing: Non-Linear Langevin Model of Markets with Supersymmetry
Fidelity Investments(富达投资)
本文提出了一个易于处理的模型的非线性动态的市场收益率使用朗之万方法。由于相互作用势的非线性,该模型承认小和大的回报波动的制度。朗之万动力学映射到一个等效的量子力学(QM)系统。借用超对称量子力学(SUSY QM)的思想,该QM系统的参数化基态波函数(WF)被用作模型的直接输入,该模型还固定了非线性朗之万势。使用一个双组分高斯混合物作为一个基态WF与非对称双阱势产生一个易于处理的低参数模型与解释的参数,被称为NES(非平衡偏斜)模型。超对称性(SUSY),然后用一种分析易处理的方式找到模型的时间依赖的解决方案。额外的近似值产生了NES模型的最终实用版本,其中真实测量和风险中性收益分布由三个分量高斯混合物给出。这产生了一个封闭形式的近似期权定价在NES模型的混合物的三个布莱克-斯科尔斯价格,提供准确的校准,无论是良性或不良市场环境的期权价格,而只使用一个单一的波动率参数。这些结果与大多数其他期权定价模型形成鲜明对比,例如局部、随机或粗糙波动率模型,这些模型需要更复杂的噪声规范来拟合市场数据。
2021-12-23 cs.CE cs.LG q-fin.CP
ADOL - Markovian approximation of rough lognormal model
在本文中,我们应用马尔可夫近似的分数布朗运动(BM),被称为Dobric-Ojeda(DO)过程,分数随机波动率模型的瞬时方差模拟的对数正态过程的漂移和分数扩散。由于DO过程是一个半鞅,它可以表示为一个\Ito扩散。结果表明,在此框架下,现货价格$S_t$的过程是一个具有随机瞬时波动率$σ_t$的几何BM,$σ_t$的过程也是一个具有随机均值回复速度和波动率随时间变化的几何BM,补充过程$\calV_t$是一个系数随时间变化的Ornstein-Uhlenbeck过程,也是Hurst指数的函数.我们还介绍了一个调整后的DO过程,它提供了一个统一的好近似的分数BM的所有赫斯特指数$H \in [0,1]$,但需要一个复杂的措施。最后,利用渐近展开法,得到了模型中$\log S_t$的特征函数的封闭形式。因此,期权定价和方差互换(通过使用远期CF)可以通过FFT完成,这比粗略的波动率模型要容易得多。
2019-04-19 q-fin.CP q-fin.MF q-fin.PR