Sıfırdan Neural SDE
1/5Ağın SDE'yi öğrenmesine izin verin
Şimdiye kadar gördüğünüz her model -- Black-Scholes, Heston, SABR -- insan tarafından seçilmiş bir denklemden yola çıkar. SDE'yi siz seçer, ardından birkaç parametre uydurursunuz. Nöral SDE'ler senaryoyu tersine çevirir: denklemin kendisini veriden bir sinir ağı öğrensin.
Klasik iş akışı şudur: insan bir şey yazar dS = f(S,t)·dW with a specific f (like σ·S, orσ·Sᵝ ya da stokastik oynaklık içeren bir şey). Ardından 3-5 parametreyi piyasa verilerine kalibre edersiniz.
Nöral SDE iş akışı şöyledir: sürüklenme (drift) μ(S,t) ve difüzyon σ(S,t) bir sinir ağının çıktılarıdır. Ağın binlerce parametresi (ağırlıklar ve sapmalar) vardır. Onu, model fiyatları ile gözlemlenen opsiyon fiyatları arasındaki hatayı minimize ederek eğitirsiniz.
Klasik modelleme, bir tarif seçip fırın sıcaklığını ayarlamak gibidir. Nöral SDE modellemesi ise bir şefe, binlerce yemeği (gözlemlenen fiyatları) tadarak ve çıktı piyasanın sunduğuyla eşleşene kadar ayar yaparak tarifi kendisinin icat etmesini öğretmek gibidir.
Neden uğraşalım? Çünkü bazen hiçbir standart model ailesi veriye yeterince iyi uymaz. Piyasa dinamikleri, hiçbir beş parametreli modelin yakalayamayacağı özelliklere -- rejim değişimleri, asimetrik kümelenme, patikaya bağımlı davranış -- sahip olabilir. Bir nöral SDE, ilkesel olarak herhangi bir sürekli sürüklenme ve difüzyon fonksiyonunu yaklaşık olarak temsil edebilir. Soru, onu güvenilir biçimde eğitmek için yeterli veriye ve disipline sahip olup olmadığınızdır.
Mimari
Ağ, standart bir ileri beslemeli mimaridir. Girdiler mevcut piyasa durumudur. Çıktılar SDE katsayılarıdır. Ağın kendisi MODELDİR.
Girdiler: Spot fiyat S, zaman t ve isteğe bağlı olarak mevcut zımni oynaklık, skew eğimi veya vade yapısı şekli gibi piyasa özellikleri. Girdi ne kadar zenginse, ağın bu noktada σ'nın ne olması gerektiğine karar vermek için o kadar fazla bağlamı olur.
Gizli katmanlar: Tipik olarak her biri 32-128 nöronlu 2-4 katman. ReLU veya softplus aktivasyonları. Egzotik bir şey yok. Sihir mimaride değil; ağın neyi temsil etmeyi öğrendiğindedir.
Çıktılar: Sürüklenme μ(S,t) ve difüzyon σ(S,t). Difüzyon çıktısı, pozitif kalmasını sağlamak için bir softplus veya üstel fonksiyondan geçirilir. Mevcut durumda değerlendirilen bu iki sayı, SDE'nin o anda ne yaptığını tanımlar.
Eğitim: Nöral SDE'den Euler-Maruyama ayrıklaştırmasıyla patikalar üretin. Opsiyonları bu patikalar boyunca Monte Carlo ile fiyatlayın. Model fiyatlarını gözlemlenen piyasa fiyatlarıyla karşılaştırın. Fiyatlama hatasını patika simülasyonu üzerinden ağ ağırlıklarına geri yayın. Bu, stokastik süreçlere uygulanmış türevlenebilir programlamadır.
Kilit teknik içgörü: ağ ağırlıklarından SDE katsayılarına, simüle edilmiş patikalardan opsiyon fiyatlarına kadar tüm hat türevlenebilirdir. Fiyatlama kaybının ağdaki her ağırlığa göre gradyanlarını hesaplayabilirsiniz. Eğitimi mümkün kılan budur.
Deep hedging
Fiyat dinamikleri için öğrenilmiş bir SDE'niz olduğunda, doğal sonraki adım hedge'i de öğrenmektir. Deep hedging, her zaman adımında hedge oranını çıktı olarak veren ve fiyatlama modeliyle birlikte eğitilen ikinci bir ağ kullanır.
Klasik hedge, deltayı modelden analitik olarak hesaplar: BS altında ∂C/∂S veya daha karmaşık modellerde sayısal bir yaklaşım. Bu, işlem maliyetlerini, piyasa etkisini, kesikli yeniden dengelemeyi ve likidite kısıtlarını göz ardı eder.
Deep hedging şunu der: her zaman adımında hedge oranı δ(S, t, portföy) çıktısı verecek bir ağ eğitin. Eğitim hedefi, teorik bir deltaya karşı izleme hatasını minimize etmek değildir. İşlem maliyetleri dahil, gerçek hedge K/Z varyansını (veya CVaR'ı ya da herhangi bir risk ölçüsünü) minimize etmektir.
Sonuç: klasik deltanın göz ardı ettiği gerçek dünya sürtünmelerinin farkında olan bir hedge stratejisi. Geriye dönük testlerde deep hedging stratejileri, özellikle şu durumlarda model tabanlı deltaya göre genellikle daha düşük gerçekleşmiş hedge maliyeti gösterir:
1. Yüksek işlem maliyeti rejimleri. Ağ, maliyetler yüksekken daha seyrek hedge etmeyi öğrenir ve fiilen daha geniş bir işlem yapılmayan bant seçer.
2. Likit olmayan dayanak varlıklar. Ağ, doğrudan hedge pahalı olduğunda korele likit enstrümanları vekil (proxy) hedge olarak kullanmayı öğrenir.
3. Patikaya bağımlı egzotikler. Basit bir delta formülünün bulunmadığı durumlarda bile ağ, simüle edilmiş patikalardan etkili hedge'ler öğrenebilir.
En güçlü sürüm, fiyatlama SDE'sini ve hedge ağını eşzamanlı eğitir. SDE, gözlemlenen fiyatlarla tutarlı dinamikler öğrenir; hedge ağı da bu dinamikler altında hedge etmeyi öğrenir. İki ağ birbirini düzenlileştirir: SDE gerçekçi olmayan dinamikler öğrenemez, çünkü o zaman hedge ağı kötü performans gösterirdi; tersi de geçerlidir.
Ağın keşfettikleri
Öğrenilen σ(S,t) fonksiyonunu incelediğinizde, genellikle stokastik özelliklere sahip yerel oynaklık gibi görünür. Ağ, insanların tasarlamak için on yıllar harcadığı yapıları bağımsız olarak keşfeder.
Bir nöral SDE'yi hisse senedi veya kripto opsiyon verisiyle eğitin ve ardından öğrenilen difüzyon fonksiyonu σ(S,t)'yi ısı haritası olarak çizin. Tipik bulgular:
Kaldıraç etkisi. Ağ, σ(S,t)'nin S düşükken daha yüksek, S yüksekken daha düşük olduğunu öğrenir. Bu, tam olarak Heston'ın negatif ρ ile yakaladığı ve CEV'nin β < 1 ile yakaladığı mekanizmadır. Ağ bu modelleri bilmez. Örüntüyü veride bulur.
Oynaklıkta ortalamaya dönüş. Öğrenilen σ, yakın zamandaki büyük hareketlerden sonra yükselme eğilimindedir ve bir taban seviyeye geri döner. Ağ, Heston'ın sabit olarak kodladığı CIR benzeri ortalamaya dönüşü bağımsız olarak keşfetmiştir.
Oynaklık kümelenmesi. Ağ, yüksek oynaklık durumlarının kalıcı olduğunu öğrenir -- σ(S,t) bir sıçramadan sonra bir süre yüksek kalır. Bu, uygulayıcıların iyi bildiği ama basit stokastik oynaklık modellerinin zorlandığı GARCH benzeri kümelenmedir.
Yukarıdaki üç örüntü arasında geçiş yapın. Her biri, farklı veri rejimlerinde eğitilmiş bir nöral SDE'nin keşfedebileceklerini temsil eder. Mesele ağın Heston veya SABR'dan daha akıllı olması değildir. Mesele, kendisine aramaları söylenmeden benzer yapılara ulaşmasıdır. Bu, söz konusu yapıların model ailesinin yapaylıkları değil, verinin gerçek özellikleri olduğuna dair güçlü bir kanıttır.
Madalyonun diğer yüzü: veri gürültülüyse veya eğitim disiplinsizse, ağ sahte örüntüler de keşfedebilir. İnce veriyle eğitilmiş büyük bir ağ muhteşem biçimde aşırı öğrenir -- gürültüyü ezberler ve buna yapı der.
Pratik hususlar
Nöral SDE'ler güçlü ama talepkârdır. Bir araştırma makalesi ile üretim sistemi arasındaki fark büyüktür. Taahhütte bulunmadan önce maliyetleri bilin.
Yukarıda Train'e tıklayın ve kaybın yakınsamasını izleyin. Üç aşamaya dikkat edin: hızlı başlangıç düşüşü (ağ genel yapıyı öğrenir), daha yavaş iyileştirme (kanatların ve kuyrukların ince ayarı) ve plato (azalan getiriler, olası aşırı öğrenme riski).
Eğitim verisi gereksinimleri. Yüksek boyutlu bir fonksiyonu kısıtlayacak kadar opsiyon fiyat verisine ihtiyacınız var. Tek bir dayanak varlık için bu, birden fazla vade sonu boyunca aylarca veya yıllarca günlük gülümseme (smile) anlık görüntüsü demektir. Seyrek veri (az sayıda kullanım fiyatı, az sayıda vade sonu), aşırı öğrenen, yetersiz belirlenmiş ağlara yol açar.
Aşırı öğrenme riski. 10.000 parametreli bir sinir ağı 10.000 veri noktasını kusursuz biçimde ezberleyebilir. Bu, dinamikleri öğrendiği anlamına gelmez. Düzenlileştirme (dropout, weight decay, erken durdurma) şarttır. Ayrı tutulmuş veri üzerinde doğrulama pazarlık konusu değildir.
Yorumlanabilirlik. Beş parametreli bir Heston modeli size bir hikâye anlatır: kappa şunu, rho bunu söyler. Bir nöral SDE ise 10.000 parametreli bir kara kutudur. Öğrenilen fonksiyonu inceleyebilirsiniz (yukarıdaki ısı haritasında olduğu gibi) ama tek bir sayıyı işaret edip "işte ortalamaya dönüş hızı bu" diyemezsiniz. Modelini risk yöneticilerine açıklaması gereken bir işlem masası için bu ciddi bir dezavantajdır.
Hesaplama maliyeti. Eğitim, SDE üzerinden binlerce ileri geçiş (Monte Carlo patikaları) gerektirir ve her biri her zaman adımında ağ üzerinden geri yayılım ister. Bu, Heston veya SABR kalibre etmekten kat kat daha pahalıdır. Çıkarım (eğitilmiş modelle tek bir opsiyonu fiyatlamak) hızlıdır ama yeniden kalibrasyon yavaştır.
Mevcut benimsenme durumu. Nöral SDE'ler ve deep hedging, araştırmalarda ve bunları destekleyecek altyapıya sahip kantitatif hedge fonları tarafından kullanılmaktadır. Vanilla masalarında henüz standart değildir. Tipik üretim kurulumu şöyledir: günlük fiyatlama için klasik bir model (Heston, SABR, SLV) ve klasik modellerin sürekli başarısız olduğu belirli yüksek değerli problemler için nöral yöntemler.
Şu durumlarda nöral SDE kullanın: (1) zengin veriniz varsa ve klasik model ailesi aynı örüntüleri sürekli kaçırıyorsa, (2) temiz bir analitik çözümü olmayan egzotik enstrümanları fiyatlıyorsanız veya (3) gerçek dünya sürtünmelerini hesaba katan bir hedge stratejisine ihtiyacınız varsa. Beş parametreli bir model yeterince iyi uyuyorsa kullanmayın -- değer katmadan karmaşıklık eklemiş olursunuz.
Sıradaki adımlar:
Heston Modeli -- klasik stokastik oynaklık ölçütü
Stokastik Yerel Oynaklık -- dinamiklerle birlikte üretim düzeyinde kalibrasyon
Rough Bergomi -- kesirli stokastik oynaklık, nöral yöntemlerden önceki sınır