💰 quantitative finance

Synthetic American Option Pricing via Jump-HMM-Driven Heston Implied Volatility

本論文は、ジャンプ隠れマルコフモデル、レジーム依存型ヘストン動学、およびニューラル代理モデルで較正された二項格子を組み合わせた構造的パイプラインを通じて、現実的な米国オプション価格とインプライド・ボラティリティ・サーフェスを生成することにより、合成オプション価格付けにおける循環依存関係を打破するオープンソースの Julia フレームワークを提案する。

原著者： Julia Sun, Zheyu Jin, Jiawei Zhang, Jeffrey D. Varner

公開日 2026-05-15

📖 1 分で読めます☕ さくっと読める

CC BY 4.0

原著者： Julia Sun, Zheyu Jin, Jiawei Zhang, Jeffrey D. Varner

原論文は CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) でライセンスされています。 ✨ これは以下の論文のAI生成解説です。著者が執筆または承認したものではありません。技術的な正確性については原論文を参照してください。免責事項の全文を読む

複雑な金融チェスのゲームをロボットに教えることを想像してみてください。そのためには、数百万もの「もしも」シナリオを生成する必要があります。もし株式市場が暴落したら？もしテック企業が素晴らしい決算報告を出したら？もし原油価格が急騰したら？

ゲームをプレイするために、ロボットはこの株式に対する「保険契約」の価格（これをオプションと呼びます）を知る必要があります。しかし、ここが問題です。この保険の価格は、**暗黙のボラティリティ（Implied Volatility: IV）**と呼ばれるものに依存しています。問題は、現実世界では、これらの保険契約の実際の価格を見てからでないと、IV が何であるか分からないということです。これは循環的な罠です。ボラティリティを知るには価格が必要ですが、価格を計算するにはボラティリティが必要です。これにより、ロボットを訓練したり戦略を検証したりするための現実的な「偽」データを作成することが非常に困難になります。

この論文は、その循環を破る巧妙な方法を提示しています。著者たちは、単に価格を推測するだけでなく、株式が実際にどのように動くかから出発して、価格をゼロから構築する機械を構築しました。

以下に、いくつかの単純な比喩を用いて、彼らの機械がどのように機能するかを説明します。

1. エンジン：「ムードリング」株式シミュレーター

まず、チームは**ジャンプ・隠れマルコフモデル（Jump Hidden Markov Model）**と呼ばれるものを用いて、株式価格のシミュレーターを構築しました。これは、株式市場全体のための「ムードリング」のようなものです。

ムード: 市場は単に「上昇」または「下落」するだけではありません。異なる「レジーム」やムードを持っています。時には静かで、時には神経質で、時にはパニック状態にあります。
ジャンプ: 実際の株式は滑らかに動くだけでなく、突然「ジャンプ」（急落または急騰）することがあります。このシミュレーターは、そのような急激なジャンプと、ボラティリティの「クラスター化」（悪い日の後に別の悪い日が続くこと）を作成するように設計されています。
つながり: また、ある株式がパニックに陥ると、その隣接する株式も同様にパニックに陥る（波紋効果のように）ことを理解しています。

2. 翻訳機：「変形する」ボラティリティ

シミュレーターが株式価格の経路を作成すると、チームはそれを「暗黙のボラティリティ」の数値に変換する必要があります。過去には、人々は手動でこの数値がどのような形になるかを推測していました。

革新: 著者たちは、修正されたヘストンモデルを作成しました。これは、市場の熱（ボラティリティ）を制御する「サーモスタット」だと想像してください。通常、サーモスタットは固定された目標温度を持っています。
スマートサーモスタット: 彼らのサーモスタットは賢明です。以下の要素に基づいて目標温度を変更します。
- ムード: 市場はパニック状態ですか？（熱を上げる）
- 時間: オプションの満期までどれくらい近づいていますか？
- 行使価格: オプションは大きな動きか、小さな動きに賭けていますか？
- 決算: 企業が財務報告を発表しようとしていますか？
結果: サーモスタットが非常に賢明であるため、「スマイル」や「スキュー」（オプション価格の複雑な形状）が自動的に現れます。これらを無理やり作る必要はありません。株式の行動から自然に出現するのです。

3. 脳：「ニューラル代理モデル」

サーモスタットをさらに賢くするために、彼らはニューラルネットワーク（一種の AI）を使用しました。

問題: 単純な数式では、個々の企業のユニークな癖を捉えることができませんでした。NVIDIA のようなテック企業は、JPMorgan のような銀行とは異なる振る舞いをします。
解決策: 彼らは「ニューラル代理モデル」を訓練しました。これは、異なる企業グループ（セクター）の特定の「性格」を学習する専門的な翻訳機だと考えてください。
- テック株には特定の「スマイル」形状があることを学習しました。
- 医療株は FDA 承認日周辺に「こぶ」があることを学習しました。
- エネルギー株は原油供給ショックに反応することを学習しました。
階層性: 彼らは最初は全員用の翻訳機から始めましたが、業界ごとに（セクターごとに）翻訳機を持つ方が良く、さらに最大の企業については、その特定の企業専用の翻訳機を持つ方がよいことに気づきました。これにより、予測の精度が大幅に向上しました。

4. 計算機：「格子」

株式の経路とボラティリティが得られたら、最終的にアメリカンオプション（早期行使が可能）の価格を計算する必要があります。彼らは**二項格子（Binomial Lattice）**を使用しました。

比喩: 各枝が可能な将来の価格を表す木を想像してください。コンピュータは木の末端から始まりに向かって後方に歩き、各枝でチェックします。「今現金化するのが良いか、それとも待つのが良いか？」これにより、オプションの正確な価格が得られます。

大規模テスト：機能しましたか？

著者たちは、この機械を 2 つの方法でテストしました。

「決算」テスト: 彼らは決算報告書の周りのオプション価格を予測しようとしました。その結果、機械が苦労したのは、カレンダーに記載されていないサプライズ決算を発表したときだけでした。イベントが予定されていた場合（既知の決算日のように）、機械は価格のジャンプを完璧に予測できました。もしサプライズが完全な衝撃であった場合、機械はそれを予見できませんでした（これは現実的です！）。
「前方シミュレーション」テスト: 彼らは実際の株式（ゴールドマン・サックス）を取り、1,000 のシミュレーションされた未来を実行しました。
- 彼らは「ショート」オプションを売却しました（価格があまり動かないと賭ける）。
- 結果: 機械は、ほとんどの場合その賭けが勝つ（プレミアムを保持する）ことを示しましたが、損失は「肥った尾部（fat-tailed）」であることを示しました。つまり、損失が出た場合、予想よりもはるかに大きな損失を被るということです。特に「コール」側（価格上昇に賭ける）で顕著でした。これは、機械が株式が暴落するとボラティリティが急騰し、保険がはるかに高価になることを正しく学習したためでした。

結論

この論文は、彼らが合成データ生成器を構築したと主張しています。これは、まず実際の市場価格を見ることなく、現実的なオプション価格とボラティリティを生成します。ボラティリティがシミュレートされた株式の動きから自然に現れるようにすることで、循環的な依存関係を破ります。

彼らはこれをオープンソースツール（Julia プログラミング言語で実装）として公開しました。これにより、他の人々は機械学習モデルの訓練データを生成したり、リスク戦略をテストしたり、バイアスがかかったり不完全だったりする現実世界のデータが必要ない市場暴落をシミュレートしたりできるようになります。

要約すると: 彼らは、株式市場のためのビデオゲームエンジンを作成しました。これは、独自の現実的な物理法則（ボラティリティ）を生成するため、AI をゲームに慣れさせるために、まず現実世界を観察する必要がありません。

技術的概要：ジャンプ隠れマルコフモデル駆動型ヘストン型暗黙的ボラティリティによる合成米国型オプション価格算定

1. 問題定義

機械学習およびリスク分析のための現実的な合成オプションデータの生成は、循環的な依存関係によって阻害されている。すなわち、米国型オプションの価格算定には通常、暗黙的ボラティリティ（IV）が入力として必要であるが、IV 自体は観測されたオプション価格から導出される経験的 quantity である。既存のアプローチはこの循環を打破できていない。

パラメトリックモデル（例：SABR、SVI）は市場のクォートに IV 曲面を適合させるが、未観測の条件に対する新たな IV のダイナミクスを生成することはできない。
局所ボラティリティモデルは、単一のクロスセクションと整合的な静的な曲面を生成するが、確率的な変動を欠いている。
確率ボラティリティモデル（例：ヘストン）は現実的な分散パスを生成するが、較正のために観測された IV またはオプション価格を必要とし、循環性を再導入してしまう。

したがって、シミュレーション中に観測されたオプションデータに依存することなく、構造的な株式リターンモデルの創発的出力として自己整合的な IV 曲面を生成するフレームワークに関する文献のギャップが存在する。

2. 手法

著者は、IV を構造的モデルの入力ではなく出力とする 3 段階のパイプラインを提案する。このフレームワークは、ジャンプ隠れマルコフモデル（JumpHMM）、修正されたヘストン型確率分散プロセス、および二項格子プライサーを結合する。

段階 1：価格パス生成（JumpHMM）
ジャンプ隠れマルコフモデルは、金融リターンの 3 つのスタイルファクト（重たい裾、無視できる線形自己相関、持続的なボラティリティ・クラスタリング）を保持する多資産価格パスを生成する。

メカニズム：連続的な超過成長率は、適合されたラプラス分布の分位数ビンを通じて $N$ 個の状態に離散化される。
ダイナミクス：隠れ状態 $S_t$ がリターンの学生 t 分布の位置とスケールを支配する。ポアソン分布に従うジャンプが鎖を裾の状態へ強制し、持続的な極端なボラティリティ体制を生み出す。
依存関係：クロス資産間の依存関係は、学生 t コピュラを通じて課され、現実的な同時裾イベントを確保する。

段階 2：暗黙的ボラティリティ生成（修正ヘストン）
価格パスは、修正されたヘストン型確率分散プロセスを用いて IV パスに変換される。

状態依存型平均回帰：長期分散目標 $\theta$ は定数ではなく、JumpHMM の体制状態、満期までの日数（DTE）、モネネス、および集約的な市場ムード指標の関数である。
均衡初期化：中核的な設計選択として、各ストライク - 満期ペアに対して分散プロセスをその平均回帰目標（ $v_0 = \theta$ ）で初期化する。これにより、外部較正データなしでスマイル、スキュー、ターム構造が自動的に創発する。
市場ムード：内生市場ムード信号（ $M_t$ ）は、テール状態にあるティッカーの割合として定義される。複数の資産がテール状態を占める場合、 $M_t$ は上昇し、すべての契約における $\theta$ と IV を引き上げ、ストレス時の相関した IV スパイクを生み出す。
形状関数（ $\psi$ ）： $\theta$ $θ$ に対する契約固有の調整は、形状関数 $\psi$ $ψ$ を通じてモデル化される。著者は表現の階層を採用する。
1. パラメトリック基準：5 パラメータの対数多項式形式。
2. グローバルニューラルサロゲート：すべてのティッカーで共有される単一のニューラルネットワーク。
3. セクター固有ニューラルサロゲート：セクター固有のスキューと曲率を捉えるため、異なるセクター（例：テクノロジー、ヘルスケア）用の個別ネットワーク。
4. ティッカー別拡張：データに恵まれた銘柄の場合、フレームワークはティッカー別のネットワークをサポートする。
イベント認識：形状関数には、スケジュールされたイベント特徴量（決算までの符号付き日数 $e$ および同セクターのピアの決算までの最小日数 $e_{peer}$ ）が含まれる。

段階 3：米国型オプション価格算定（二項格子）
得られた IV 曲面は、再結合する二項格子を介して米国型オプションの価格算定に使用される。

価格算定：主要な較正パイプラインには Cox-Ross-Rubinstein（CRR）ツリーが使用される。
グリークス計算：滑らかな有限差分グリークスを必要とする前方シミュレーションには、Leisen-Reimer（LR）ツリーが利用される。LR 構成はストライクをノードに固定し、スポットまたはボラティリティのバンプがストライクをノード境界横断させる際に CRR ツリーで観察される「階段状のエイリアシング」を排除する。

3. 主要な貢献

循環性の打破：このフレームワークは、株式リターンのダイナミクスの創発的性質として自己整合的な IV 曲面を生成し、シミュレーション中の較正ターゲットとしての観測オプションデータの必要性を排除する。
内生市場ムード：モデルは JumpHMM の状態分布から導出される内生市場ムード信号を導入し、外部データ（例：VIX）なしでストレスイベント時の相関した IV スパイクを可能にする。
階層的形状較正：本論文は、パラメトリック表現からニューラル表現への進展を実証し、セクター固有のニューラルサロゲートがクロスセクション的なスマイル幾何学を捉えるにおいて、グローバルなパラメトリック形式を大幅に上回ることを示している。
イベント駆動型一般化：本研究は、スケジュールされた企業決算を時間的一般化誤差の支配的な源泉として特定し、カレンダー由来の特徴量（決算までの距離とピアの結合）がこのシグナルの一部を回復できることを実証する。

4. 結果

較正パフォーマンス（31 ティッカー・ラダー）

パラメトリック対ニューラル：グローバルなパラメトリック形状関数をグローバルなニューラルサロゲートに置き換えることで、平均二乗誤差（RMSE）は 12.48% IV から 11.47% IV に減少した。
セクター固有性：セクター固有のニューラルネットワークへ移行することで、RMSE はさらに 10.24% に減少した（パラメトリック基準に対して 17.9% の累積改善）。
ティッカー別利益：234,549 件の観測値を集約したコーパスにおいて、ティッカー別のニューラルネットワークは RMSE を 9.73% に減少させ、セクター内異質性が高いセクター（例：テクノロジー、ヘルスケア）で最大の改善が観察された。

時間的一般化

決算の影響：時間的ホールドアウトテストは、+4.99% IV の一般化ギャップを明らかにした。決算の前後 3 日以内の観測値を除外すると、ギャップは消失し（−0.06%）、スケジュールされた決算イベントが誤差の唯一の源泉であることを確認した。
特徴量の回復：決算距離およびピア結合の特徴量を形状ネットワークに追加することで、一般化ギャップの約 5 分の 1 が回復され（テスト RMSE を 13.03% から 11.98% に減少）、確認された。
限界：カレンダーベースの指標は、イベント前の IV 拡大および共感移動を捉えたが、決算サプライズ（例：INTC の EPS サプライズ +2192%）に起因するイベント後の IV クラッシュを予測することはできなかった。

前方シミュレーションシナリオ

設定：このフレームワークは、ゴールドマン・サックス（GS）およびイーライリリー（LLY）のオプションについて 31 日間の期間で 1,000 経路をシミュレートするために適用された。
価格算定の精度：GS については、モデルの初期公正価値は市場のビッド・アスクスプレッド内にあった。LLY については、取得日の特定の IV 体制の不一致により、モデルは市場よりわずかに低い値でマークされたが、これはモデルの IV レベルに対する感応性を検証したものである。
リスクダイナミクス：シミュレーションは、現実的なショート・プレミアム非対称性を再現した。ショートコールは、受け取るプレミアムが小さいにもかかわらず、ショートプットよりも太い左裾損失を示した。これは、ティッカー別形状関数に符号化された負のスキューおよびレバレッジ結合に起因する。
グリークス：Leisen-Reimer 格子は、リスク分析に不可欠な滑らかな有限差分グリークス（デルタ、ガンマ、ベガ）を提供し、標準的な CRR ツリーに典型的な振動を回避した。

5. 意義と主張

本論文は、株式リターンのダイナミクスと構造的に整合する合成米国型オプションデータを生成するための堅牢なオープンソースフレームワーク（Julia で実装）を提供すると主張している。

構造的整合性：分散をその平均回帰目標で初期化することにより、モデルは IV 曲面を構造的パラメータによって完全に決定され、価格に IV を適合させるという「鶏と卵」の問題を回避する。
スケーラビリティ：階層的較正アプローチ（パラメトリック $\to$ グローバル NN $\to$ セクター NN $\to$ ティッカー別 NN）により、モデルは変動するデータ量およびセクター特性に適応できる。
応用：このフレームワークは、オプション価格算定の機械学習モデルのトレーニング、強化学習によるデルタ・ヘッジポリシーの学習、およびストライクおよび満期にわたる整合的なオプション価格を必要とするシナリオベースのリスク分析など、下流のアプリケーション向けの合成データ生成器として設計されている。
謙虚さ：著者は、このフレームワークがスケジュールされたイベントリスクを捉えている一方で、決算サプライズやその他の固有のショックに起因する未スケジュールの IV スパイクはまだモデル化されていないことを認めている。今後の研究では、これらの残存シグナルに対処するため、ティッカー別のテール感応性メカニズムの導入が提案されている。