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

技术摘要：用于布莱克-舒尔茨隐含波动率计算的渐近信息感知神经网络

问题陈述
布莱克-舒尔茨（Black-Scholes）隐含波动率（IV）的计算是定量金融中的一项基础任务，对于期权定价、模型校准和风险管理至关重要。虽然布莱克-舒尔茨定价公式提供了给定波动率参数下期权价格的闭式解，但其逆问题——即确定能匹配观测市场价格的唯一波动率 $\sigma$ ——却缺乏显式的解析解。在极端参数区域（如极深实值/虚值期权或极短/长期限期权），该反转过程会演变为一个具有挑战性的数值问题。在这些区域，逆映射对扰动高度敏感；即使是微小的定价误差也可能导致隐含波动率产生巨大偏差，从而可能导致错误的对冲决策或不准确的模型校准。

现有的数值方法（如牛顿-拉夫森法或布伦特算法）严重依赖于初始猜测的质量，并且在这些极端区域可能会表现不佳。解析近似方法往往在现实参数范围内缺乏鲁棒性，而标准的机器学习方法（通用的前馈神经网络）通常无法捕捉 IV 函数在不同波动率机制下的独特解析行为，从而导致次优的准确性和泛化能力。

方法论
作者提出了一种新的神经网络架构家族，该架构显式地结合了布莱克-舒尔茨反转问题的解析结构。核心方法论受到 Jäckel [30] 领域划分分析的启发，该分析指出，定价函数根据波动率机制的不同呈现出定性的不同行为。

1. 领域划分： 输入空间由对数价内程度（$A$）和归一化看涨期权价格（$C$）定义，被划分为三个不同的区域，基于定价函数的几何特性：

   • 低渐近区域： 对应于极低的价格（$C \to 0$）。
   • 中心区域： 对应于定价曲线拐点附近的近似线性行为。
   • 高渐近区域： 对应于极高的价格（$C \to 1$）。

2. 混合专家架构（Mixture-of-Experts Architecture）： 提议的模型将隐含波动率映射 $B_{inv}(A, C)$ 近似为专门的局部近似的加权组合：
   $$IV(A, C) = f_0(A, C)g_0(A, C) + f_1(A, C)g_1(A, C) + f_2(A, C)g_2(A, C)$$

   • 局部近似器 ($g_i$)： 这些是专门训练用于模拟特定机制内 IV 行为的神经网络（或其指数变换）。
   • 门控函数 ($f_i$)： 这些是可训练函数，用于决定每个局部近似器的权重。它们被设计为满足特定的渐近约束（例如，当 $C \to 0$ 时 $f_0 \to 1$，且当 $C \to 1$ 时 $f_0 \to 0$），以确保不同机制之间的平滑过渡。论文研究了多种门控的参数化形式，包括多项式和高斯族，并具有对 $A$ 和 $C$ 或仅对 $C$ 的依赖关系。

3. 混合精炼： 神经网络的输出被用作三阶豪斯霍尔德（Householder）求根方案的高精度初始猜测。这种混合方法利用了神经网络的速度进行初始化，并利用迭代求解器的精度进行最终精炼。

核心贡献

1. 机制感知架构： 设计了能够显式学习价格-对数价内程度域划分的神经网络，通过门控函数结合专门的局部近似，而非将 IV 反转视为通用的回归问题。
2. 可训练门控机制： 引入了门控函数，能够自动学习渐近机制与中心机制之间的转换边界，同时遵循已知的解析约束。
3. 卓越的准确性与泛化能力： 数值实验表明，这些架构在广泛的参数定义域内始终优于标准前馈神经网络。其改进通常体现在相对误差（MSRE）上达到数个数量级。这种改进在处理具有挑战性的渐近机制时尤为显著。
4. 机器精度精炼： 提议的网络提供的初始猜测极其精确，以至于经过两次迭代的第三阶豪斯霍尔德方案即可达到接近机器精度的结果。
5. 可扩展性： 与需要为不同机制推导新公式的解析近似方法不同，所提方法通过简单地扩大数据集或网络规模，可以自然地扩展到更复杂的模型或更高的精度要求。

结果
论文在涵盖三种参数范围的三个数据集上进行了广泛的数值实验：

• 大范围数据集 ($A \in [0, 16], B \in [10^{-5}, 7.07]$)： 与标准神经网络相比，提议的架构将测试均方相对误差（MSRE）降低了约四个数量级。热图证实，误差在整个定义域内都是均匀且微小的，而标准网络在低波动率机制下表现出巨大的误差。
• 中范围数据集 ($A \in [0, 3], B \in [10^{-7}, 1.22]$)： 观察到了类似的改进，其中表现最好的架构（特别是使用依赖于 $A$ 和 $C$ 的高斯门控函数的架构）将 MSRE 降低了超过三个数量级。
• 小范围数据集 ($A \in [0, 10^{-5}], B \in [10^{-5}, 0.18]$)： 即使是在这种标准网络表现尚可的近一维机制中，提议的架构仍提供了系统性的改进，将 MSSE 降低了约 39 倍。

在所有案例中，当结合豪斯霍尔德精炼时，所提方法实现的平均对数相对误差接近数值精度极限（约为 $-37$到$-39$），显著优于标准神经网络以及像布伦特算法这类经典的求根方法（后者在极端机制下表现出不规则的误差景观）。

意义
论文认为，这项工作的意义在于证明了将定性的解析知识（特别是存在截然不同的渐近机制与中心机制）融入神经网络设计中，比将 IV 反转视为通用回归问题能获得更好的准确性和泛化能力。所提方法论并非仅仅取代传统的求根技术，而是作为一个强大的加速器，将迭代求解器直接置于其快速收敛区域。这产生了一个计算高效且高度精确的求解器，特别是在传统方法经常遇到困难的极端参数机制下表现稳健。作者指出，这种“渐近信息感知”机器学习的理念可以推广到其他涉及具有多重机制和强非线性逆映射的定量金融校准问题中。