Neural SDE / Deep Hedging
Кожна модель на цьому сайті -- SABR, SVI, Heston -- починається з вибору формули і потім підганяє її параметри до даних. Neural SDE перевертає це: вона використовує нейронну мережу, щоб навчитися самій формулі безпосередньо з ринкових даних. Мережа виявляє функції дрейфу та дифузії, які найкраще пояснюють спостережувані ціни, а поверхня волатильності виходить як побічний продукт.
Мережа навчається рівнянню
Класичні моделі кажуть "волатильність слідує цьому рівнянню" і підганяють параметри. Neural SDE каже "волатильність слідує якомусь рівнянню", і мережа з'ясовує, яке саме. Поверхня імпліцитної волатильності є результатом навченої моделі, а не формою, припущеною наперед.
Подивіться в дії
Порівняйте, як класичний, параметричний та нейронний підходи обробляють одні й ті самі ринкові дані за різних умов.
Нейронне SDE проти класичних моделей
Перемикайте сценарії, щоб побачити, як кожен підхід працює за різних ринкових умов. У стресових режимах і за браку даних нейронне SDE адаптується там, де параметричні моделі обмежені заданою формою.
Як це працює
1. Навчайтеся динаміці, а не формі
Стандартне SDE для ціни та волатильності виглядає так: dS = ... dt + ... dW. Класичні моделі заповнюють "..." конкретними формулами (SABR використовує CEV зі стохастичною волатильністю волатильності). Neural SDE замінює ці формули нейронними мережами, навченими на історичних даних. Мережа навчається як середній поведінці (дрейф), так і випадковості (дифузія) з нуля. Вона може виявляти патерни скью та форми часової структури, які параметричні моделі не можуть передбачити.
2. Deep Hedging: навчайтеся хеджу, а не лише ціні
Deep Hedging (Buehler, Gonon, Teichmann & Wood, 2019) розширює цю ідею. Замість того, щоб оцінювати опціон і потім обчислювати коефіцієнт хеджування з моделі, ви навчаєте мережу безпосередньо виводити оптимальну позицію хеджу на кожному кроці часу. Мережа навчається експозиціям дельти та веги спільно. Мета навчання: мінімізувати дисперсію P&L хеджування за реальних ринкових умов -- включно з транзакційними витратами, спредами бід-аск, дискретним ребалансуванням та обмеженнями ліквідності. Жодних припущень про ринок без тертя не потрібно.
3. Поверхня волатильності виникає
Після навчання Neural SDE ви можете згенерувати поверхню імпліцитної волатильності, оцінюючи ванільні опціони через навчену модель. Отримана поверхня не обмежена жодною параметричною формою -- вона захоплює будь-які патерни, що існують у даних, включно з тими, які SVI або SABR структурно пропустили б. Обидві області ATM та OTM підганяються одночасно.
Захоплює динаміку, яку параметричні моделі пропускають
Neural SDE захоплюють динаміку волатильності, яку параметричні моделі не можуть: перемикання режимів, ефекти залежності від шляху та міжактивні перетікання. Deep Hedging враховує витрати, які ігнорує класичне дельта-хеджування. Вимоглива до даних та обчислювально витратна, але саме туди рухається кількісні фінанси.
Сильні сторони та обмеження
Актуальність для крипто
Крипторинки природно підходять для Neural SDE, тому що динаміка волатильності погано зрозуміла і швидко змінюється. Немає консенсусу щодо того, чи краще моделювати волатильність BTC за допомогою SABR, Heston, rough vol чи чогось зовсім іншого. Neural SDE обходить цю дискусію, навчаючись будь-якій динаміці, яку містять дані -- включно з патернами, що порушують Black-Scholes, як-от перемикання режимів. Головна перешкода -- дані: ринки криптоопціонів молоді, а навчальний набір малий порівняно з акціями чи ставками.
Навчені моделі, навчені хеджі
Neural SDE замінюють вручну підібрані моделі волатильності навченими. Deep Hedging замінює теоретичні коефіцієнти хеджування такими, що враховують тертя. Компроміс: інтерпретованість, вимоги до даних та обчислювальні витрати. Наразі це дослідницькі інструменти -- але вони визначають передній край.
Дослідник рівнянь
Конвертуйте між імпліцитною волатильністю, повною варіацією, лог-монейністю та цінами опціонів.
Дослідник рівнянь
💡 Підказка: Спробуйте відповісти на кожне питання самостійно перед розкриттям відповіді.
Побудова математичної інтуїції
Вивчіть Neural SDE з нуляІнтерактивний урок · без попередніх знаньЦей урок пояснює ідею "навчитися рівнянню" простою мовою, а потім проходить через те, як мережа навчається функціям дрейфу та дифузії і де deep hedging вписується в цю картину.
Дивіться також:
- Модель SABR -- Класична модель стохастичної волатильності з інтерпретованими параметрами
- Модель Heston -- Стохастична волатильність зі зворотним прагненням до середнього з ціноутворенням у закритій формі
- SANOS (Непараметричні поверхні) -- Непараметрична підгонка з гарантованою відсутністю арбітражу
- Волатильність із залежністю від шляху -- Ще один підхід на основі даних, що використовує історію цінового шляху
- Rough Bergomi -- Фракційна модель волатильності, яку Neural SDE потенційно можуть замінити