Deep Learning for Option Pricing and Implied Volatility Surfaces: A No-Arbitrage Neural Network Approach with a Frontier-Market Transferability Test
本研究表明，虽然具备套利感知能力的神经网络提高了样本内期权定价的准确性，但在缺乏数据的边际市场中，若不进行微调，它们无法实现泛化，而像 Heston 这样经过重新校准的参数模型则表现得更为稳健且高效。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在金融领域，期权是赋予某人在特定日期以特定价格买入或卖出资产权利的合约。为了公平地为这些合约定价，交易者依赖于一个被称为“隐含波动率”的概念，这本质上是市场对资产未来价格波动幅度预期的一种衡量。如果你将股票价格想象成海洋中的一艘船，那么隐含波动率就是对波浪有多汹涌的预报。几十年来，数学家一直使用固定的公式来预测这些波浪，但真实的市场是混乱且不断变化的。近年来，科学家们尝试使用人工智能，特别是深度学习，直接从数据中学习这些模式，希望构建一个比旧公式更灵活、更准确的系统。然而，一个主要的担忧一直存在：如果计算机学会了过于完美地预测价格，它可能会无意中创造出一种允许“免费资金”的定价结构，这种现象被称为套利，而套利在稳定的市场中是不可能存在的。此外，目前尚不清楚在发达国家繁忙、流动性高的市场中训练出的计算机，是否能理解发展中经济体中那些稀疏、安静的市场。
来自尼日利亚伊巴丹大学的一个研究小组致力于通过构建一种新型的神经网络（一种旨在识别模式的计算机程序）来测试这些想法。他们的目标是创建一个不仅能准确预测期权价格，而且能严格遵守防止“免费资金”规则的系统。他们利用大量的模拟数据对该系统进行了训练，这些数据代表了一个健康、高流动性的市场，类似于美国或欧洲的市场。为了确保计算机不会违反约束，他们在其学习过程中加入了一个特殊的惩罚项。如果计算机的预测创造了一个允许无风险利润的定价曲线，惩罚就会增加，从而迫使系统调整其内部逻辑，直到曲线重新变得平滑且符合逻辑。这种方法旨在观察：教导计算机尊重这些金融规则是否会使其成为更好的预测者。
随后，研究人员对他们的创造物进行了严格的测试。首先，他们检查了它在训练所用的同类高流动性市场数据上的表现。结果令人振奋。那个被教导要尊重无套利规则的计算机，比一个没有接受此类教导的版本犯的错误更少。它对市场波动率的预测更加精准，并产生了更少的不可能定价场景。事实上，与标准的非人工智能公式相比，经过惩罚约束的计算机显著更加准确。然而，当研究人员尝试将这个同样的计算机应用于一个完全不同的环境时，故事发生了戏剧性的转折。他们模拟了一个“前沿市场”（frontier market），这是一个交易极少、利率高且伴随突然剧烈价格跳动的环境，其模型参考了尼日利亚交易所的情况。
当这个从未见过此类市场的计算机被要求进行预测时，它表现得极其糟糕。那个经过强化训练以尊重高流动性市场规则的版本表现最差，其误差甚至远大于一个简单的基本猜测。帮助它在高流动性市场取得成功的规则，在安静的市场上反而成了阻碍。计算机如此完美地学习了高流动性市场的特定形状，以至于它无法适应前沿市场那种奇怪且锯齿状的形状。研究人员发现，解决这一问题的唯一方法是向计算机展示一小部分来自前沿市场的新数据——仅仅86个样本——并让它进行微调。一旦获得了这极少量的最新信息，计算机的表现便大幅提升，缩小了与传统模型的差距。
研究还对比了这些人工智能模型与一种被称为赫斯顿模型（Heston model）的经典数学方法，该模型使用五个可调节的数字来描述市场行为。令人惊讶的是，经典模型在几乎所有场景下仍然是最准确的工具。因为经典模型非常简单，它可以利用仅有的少量每日市场报价进行快速重新校准，从而能够瞬间适应变化的情况。相比之下，人工智能则需要通过新数据进行重新训练或微调才能跟上步伐。研究人员得出结论：虽然添加防止套利的规则能让AI模型在训练环境中表现更好，但这并不能让该模型成为通用的专家。一个为平静、高流动性的海洋设计的系统，不能在没有学习当地水流的情况下，直接被丢进一个风暴肆虐、浅滩密布的海域并期望它能航行。
最终，这项工作表明，对于发展中国家的金融市场或新的、交易稀疏的产品，仅仅依赖预训练的人工智能是具有风险的。计算机需要被教授新环境的具体规则，即使这意味着只需展示极少量的样本。在获得此类数据之前，那些可以根据每日市场情况快速调整的旧式、简单数学模型，仍然是更安全、更可靠的选择。这项研究为金融的未来提供了一个关键教训：在一个语境下的智能并不保证在另一个语境下的智慧，而最强大的工具往往是那个能够学习并适应最快的工具。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。