Neural SDE / Deep Hedging
Bu sitedeki her model -- SABR, SVI, Heston -- önce bir formül seçerek başlar ve ardından parametrelerini verilere uydurur. Bir Neural SDE bunu tersine çevirir: formülün kendisini doğrudan piyasa verilerinden öğrenmek için bir sinir ağı kullanır. Ağ, gözlemlenen fiyatları en iyi açıklayan drift ve difüzyon fonksiyonlarını keşfeder ve oynaklık yüzeyi bunun bir yan ürünü olarak ortaya çıkar.
Ağ denklemi öğrenir
Klasik modeller 'oynaklık bu denklemi izler' der ve parametreleri uydurur. Bir Neural SDE 'oynaklık bir denklemi izler' der ve ağ bunun ne olduğunu bulur. zımni oynaklık yüzeyi, önceden varsayılan bir şekil değil, öğrenilmiş modelin bir çıktısıdır.
İş Başında Görün
Klasik, parametrik ve nöral yaklaşımların aynı piyasa verilerini farklı koşullar altında nasıl ele aldığını karşılaştırın.
Nöral SDE vs. Klasik Modeller
Her yaklaşımın farklı piyasa koşullarını nasıl ele aldığını görmek için senaryolar arasında geçiş yapın. Stres ve seyrek veri rejimlerinde, parametrik modeller varsaydıkları şekille sınırlıyken nöral SDE uyum sağlar.
Nasıl Çalışır
1. Şekli değil, dinamiği öğrenin
Fiyat ve oynaklık için standart bir SDE şu şekilde görünür: dS = ... dt + ... dW. Klasik modeller '...' kısmını belirli formüllerle doldurur (SABR, stokastik vol-of-vol ile CEV kullanır). Bir Neural SDE, bu formülleri geçmiş veriler üzerinde eğitilmiş sinir ağlarıyla değiştirir. Ağ, hem ortalama davranışı (drift) hem de rastgeleliği (difüzyon) sıfırdan öğrenir. Parametrik modellerin öngöremeyeceği skew desenlerini ve vade yapısı şekillerini keşfedebilir.
2. Deep Hedging: sadece fiyatı değil, hedge'i öğren
Deep Hedging (Buehler, Gonon, Teichmann & Wood, 2019) bu fikri genişletir. Bir opsiyonu fiyatlayıp ardından bir modelden hedge oranı hesaplamak yerine, her zaman adımında optimal hedge pozisyonunu doğrudan çıkaracak bir ağ eğitirsiniz. Ağ, delta ve vega maruziyetlerini birlikte öğrenir. Eğitim amacı: gerçek piyasa koşulları altında -- işlem maliyetleri, alış-satış spread'leri, ayrık yeniden dengeleme ve likidite kısıtlamaları dahil -- hedge K/Z varyansını en aza indirmek. Sürtünmesiz piyasa varsayımlarına gerek yoktur.
3. Oynaklık yüzeyi ortaya çıkar
Neural SDE eğitildikten sonra, öğrenilen model aracılığıyla vanilya opsiyonları fiyatlayarak zımni oynaklık yüzeyini üretebilirsiniz. Ortaya çıkan yüzey herhangi bir parametrik şekle bağlı değildir -- SVI veya SABR modellerinin yapısal olarak kaçıracağı desenler de dahil olmak üzere, verilerde var olan hangi desenler varsa onları yakalar. Hem ATM hem de OTM bölgeleri eş zamanlı olarak uydurulur.
Parametrik modellerin kaçırdığı dinamikleri yakalar
Neural SDE'ler, parametrik modellerin yakalayamadığı oynaklık dinamiklerini yakalar: rejim değişimleri, yola bağımlı etkiler ve varlıklar arası yayılmalar. Deep Hedging, klasik delta hedge'in göz ardı ettiği maliyetleri hesaba katar. Veriye aç ve hesaplama açısından pahalı, ancak kantitatif finansın gittiği yön burası.
Güçlü Yönler ve Sınırlamalar
Kripto ile İlgisi
Kripto piyasaları Neural SDE'ler için doğal bir uyum sağlar çünkü oynaklık dinamikleri iyi anlaşılmamıştır ve hızla değişir. BTC oynaklığının SABR, Heston, rough vol veya tamamen farklı bir şeyle daha iyi modellenip modellenmeyeceği konusunda bir fikir birliği yoktur. Bir Neural SDE, verilerde bulunan dinamikleri -- rejim değişimleri gibi Black-Scholes'u ihlal eden desenler de dahil -- öğrenerek bu tartışmayı geçiştirir. Ana engel veridir: kripto opsiyon piyasaları gençtir ve eğitim seti hisse senedi veya faize kıyasla küçüktür.
Öğrenilmiş modeller, öğrenilmiş hedge'ler
Neural SDE'ler, elle seçilmiş oynaklık modellerinin yerine öğrenilmiş olanları koyar. Deep Hedging, teorik hedge oranlarının yerine sürtünme farkında olanları koyar. Ödünleşim: yorumlanabilirlik, veri gereksinimleri ve hesaplama maliyeti. Şimdilik araştırma araçları -- ancak sınırı bunlar tanımlıyor.
Denklem Kaşifi
Zımni oynaklık, toplam varyans, log-moneyness ve opsiyon fiyatları arasında dönüşüm yapın.
Denklem Gezgini
💡 İpucu: Cevabı açıklamadan önce her soruyu kendin cevaplamaya çalış.
Matematiksel sezgi geliştirme
Neural SDE'leri sıfırdan öğreninEtkileşimli ders · ön koşul yokBu ders, 'denklemi öğren' fikrini sade bir dille açıklar, ardından ağın drift ve difüzyon fonksiyonlarını nasıl öğrendiğini ve deep hedging'in resmin neresine oturduğunu adım adım ele alır.
Ayrıca bakınız:
- SABR Modeli -- Yorumlanabilir parametrelere sahip klasik stokastik oynaklık modeli
- Heston Modeli -- Kapalı form fiyatlamaya sahip ortalamaya dönen stokastik oynaklık
- SANOS (Parametrik Olmayan Yüzeyler) -- Garantili arbitrajsızlık ile parametrik olmayan uydurma
- Yola Bağımlı Oynaklık -- Fiyat yolu geçmişini kullanan bir başka veri odaklı yaklaşım
- Rough Bergomi -- Neural SDE'lerin potansiyel olarak değiştirebileceği fraktal oynaklık modeli