Asymptotically-informed neural networks for Black-Scholes implied volatility computation

技術要約：ブラック・ショールズ・インプライド・ボラティリティ計算のための漸近的情報に基づくニューラルネットワーク

問題提起
ブラック・ショールズ・インプライド・ボラティリティ（IV）の計算は、オプション評価、モデル・キャリブレーション、およびリスク管理において不可欠な、計量ファイナンスにおける基本的なタスクである。ブラック・ショールズの価格付け公式は、ボラティリティ・パラメータが与えられた場合のオプション価格に対する閉形式の解を提供するが、その逆問題、すなわち観測された市場価格に一致する一意のボラティリティ $\sigma$ を決定する問題には、明示的な解析解が存在しない。この反転プロセスは、極端なオプション価格、権利行使価格、または満期（例：ディープ・イン・ザ・マネー／アウト・オブ・ザ・マネーのオプションや、極めて短い、あるいは長い満期）に対応する漸近的領域において、困難な数値的問題となる。これらの領域では、反転写は価格の摂動に対して非常に敏感になり、わずかな価格誤差が大きなインプライド・ボラティリティの誤差を引き起こす可能性があり、それが不適切なヘッジング決定や不正確なモデル・キャリブレーションにつながる恐れがある。

ニュートン・ラフソン法やブレント法などの既存の数値的手法は、初期値の質に大きく依存しており、これらの極端な領域で苦戦する場合がある。解析的な近似法は、現実的なパラメータ範囲全体にわたる堅牢性に欠けることが多く、標準的な機械学習アプローチ（一般的な順伝播型ニューラルネットワーク）は、異なるボラティリティ・レジームにおけるIV関数の明確な解析的挙動を捉えることができず、結果として最適ではない精度や汎化性能に陥ることが多い。

手法
著者らは、ブラック・ショールズの反転問題の解析的構造を明示的に組み込んだ、新しいニューラルネットワーク・アーキテクチャのファミリーを提案している。本手法の核となる考え方は、価格付け関数がボラティリティ・レジームに応じて質的に異なる挙動を示すことを特定したJäckel [30] の領域分割分析に着想を得ている。

1. 領域分割： 入力空間（ログ・モネーネスネス $A$ および正規化コール価格 $C$ で定義される）は、価格付け関数の幾何学的形状に基づき、以下の3つの異なる領域に分割される。

   • 下部漸近領域： 非常に低い価格（$C \to 0$）に対応する。
   • 中央領域： 価格曲線の変曲点付近における、ほぼ線形な挙動に対応する。
   • 上部漸近領域： 非常に高い価格（$C \to 1$）に対応する。

2. 混合エキスパート（Mixture-of-Experts）アーキテクチャ： 提案されたモデルは、インプライド・ボラティリティ写像 $B_{inv}(A, C)$ を、特化した局所近似の加重結合として近似する。
   $$IV(A, C) = f_0(A, C)g_0(A, C) + f_1(A, C)g_1(A, C) + f_2(A, C)g_2(A, C)$$

   • 局所近似器 ($g_i$)： 特定のレジーム内でのIVの挙動をモデル化するように訓練されたニューラルネットワーク（またはその指数変換）。
   • ゲーティング関数 ($f_i$)： 各局所近似器の重みを決定する訓練可能な関数。これらは、滑らかなレジーム間の遷移を保証するために、特定の漸近的制約（例：$C \to 0$ で $f_0 \to 1$、$C \to 1$ で $f_0 \to 0$）を満たすように設計されている。論文では、多項式ファミリーやガウス分布ファミリーなど、 $A$ と $C$ の両方に依存する、あるいは $C$ のみに依存する様々なパラメトリックな形式を調査している。

3. ハイブリッド精緻化： ニューラルネットワークの出力は、高精度な第3次ハウスホルダー根探索スキームの極めて正確な初期値として使用される。このハイブリッド・アプローチは、初期化のためのニューラルネットワークの速度と、最終的な精緻化のための反復ソルバーの精度という両方の利点を活用している。

主な貢献

1. レジーム認識型アーキテクチャ： IV反転を単なる一般的な回帰問題として扱うのではなく、ゲーティング関数を介して特化した局所近似を組み合わせることで、価格・ログ・モネーネスネスの領域を明示的に学習するニューラルネットワーク・アーキテクチャの設計。
2. 訓練可能なゲーティング・メカニズム： 既知の解析的制約を尊重しながら、漸近的レジームと中央レジームの間の遷移境界を自動的に学習するゲーティング関数の導入。
3. 優れた精度と汎化性能： 数値実験により、提案されたアーキテクチャが、広範なパラメータ・ドメインにわたって標準的な順伝播型ニューラルネットワークを一貫して上回ることが示された。この改善は、特に困難な漸近的領域において、相対精度（MSRE）で数桁に及ぶことが多い。
4. マシン精度レベルの精緻化： 提案されたネットワークは、第3次ハウスホルダー・スキームがわずか2回の精緻化イテレーションでマシン精度に近い結果を得られるほど、極めて正確な初期値を提供する。
5. スケーラビリティ： 異なるレジームのために新しい公式を導出する必要がある解析的近似とは異なり、提案手法は、データセットやネットワークのサイズを拡大するだけで、モデルの複雑さや要求される精度に自然にスケールする。

結果
論文では、3つの異なるパラメータ範囲をカバーするデータセットを用いた広範な数値実験を提示している。

• 広範囲データセット ($A \in [0, 16], B \in [10^{-5}, 7.07]$)： 提案されたアーキテクチャは、標準的なニューラルネットワークと比較して、テストの平均二乗相対誤差（MSRE）を約4桁減少させた。ヒートマップにより、標準的なネットワークが低ボラティリティ領域で大きな誤差を示すのに対し、提案手法では誤差が全領域で一様に小さいことが確認された。
• 中範囲データセット ($A \in [0, 3], B \in [10^{-7}, 1.22]$)： 同様の改善が見られ、最良のアーキテクチャ（特に $A$ と $C$ の両方に依存するガウス・ゲーティング関数を使用したもの）は、MSREを3桁以上減少させた。
• 小範囲データセット ($A \in [0, 10^{-5}], B \in [10^{-5}, 0.18]$)： 標準的なネットワークが合理的な性能を示すこのほぼ一次元的なレジームにおいても、提案されたアーキテクチャは体系的な改善を提供し、MSREを約39倍減少させた。

いずれの場合も、ハウスホルダー精緻化と組み合わせた際、提案手法は（$-37$から$-39$ に近い）数値精度の限界に近い平均対数相対誤差を達成し、標準的なニューラルネットワークや、極端なレジームで不規則な誤差景観を示すブレント法のような古典的な根探索法を大幅に凌駕した。

意義
本研究の意義は、IV反転を単なる一般的な回帰問題として扱うよりも、定性的な解析的知識（具体的には、明確に異なる漸近的および中央レジームの存在）をニューラルネットワークの設計に組み込む方が、大幅に優れた精度と汎化性能が得られることを示した点にある。提案された手法は、単に古典的な根探索技術を置き換えるものではなく、強力なアクセラレータとして機能し、反復ソルバーを急速な収束領域へと即座に導くものである。これにより、従来のメソッドがしばしば苦戦する極端なパラメータ・レジームにおいても、計算効率が高く、極めて正確なソルバーを実現している。著者らは、「漸近的情報に基づく」というこの哲学が、複数のレジームと強い非線形性を伴う他のキャリブレーション問題への応用も可能であると示唆している。