Neural SDE / Deep Hedging
Кожна модель на цьому сайті -- SABR, SVI, Heston -- починається з того, що обирає формулу, а потім підганяє її параметри під дані. Neural SDE робить навпаки: вона використовує нейронну мережу, щоб навчитися самої формули безпосередньо з ринкових даних. Мережа знаходить функції дрейфу та дифузії, які найкраще пояснюють спостережувані ціни, а поверхня волатильності виникає як побічний продукт.
Мережа вивчає рівняння
Класичні моделі кажуть: «волатильність підпорядковується цьому рівнянню», і підганяють параметри. Neural SDE каже: «волатильність підпорядковується якомусь рівнянню», а мережа з'ясовує, якому саме. Поверхня імпліцитної волатильності є результатом навченої моделі, а не формою, припущеною заздалегідь.
Подивіться в дії
Порівняйте, як класичний, параметричний і нейронний підходи обробляють 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. Вивчайте динаміку, а не форму
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 з нуля вивчає як середню поведінку (дрейф), так і випадковість (дифузію). Вона може виявити патерни скью та форми часової структури, які параметричні моделі не здатні передбачити.
2. Deep Hedging: вивчайте хедж, а не лише ціну
Deep Hedging (Buehler, Gonon, Teichmann & Wood, 2019) розвиває цю ідею. Замість того, щоб оцінити опціон, а потім обчислити коефіцієнт хеджування з моделі, ви навчаєте мережу безпосередньо видавати оптимальну хедж-позицію на кожному часовому кроці. Мережа спільно вивчає експозиції за дельтою та вегою. Мета навчання: мінімізувати дисперсію P&L хеджування в реальних ринкових умовах -- включно з транзакційними витратами, спредами бід-аск, дискретним ребалансуванням та обмеженнями ліквідності. Жодних припущень про ринок без тертя не потрібно.
3. Поверхня волатильності виникає сама
Після навчання Neural SDE ви можете згенерувати поверхню імпліцитної волатильності, оцінюючи ванільні опціони через навчену модель. Отримана поверхня не обмежена жодною параметричною формою -- вона охоплює будь-які патерни, що є в даних, включно з тими, які SVI або SABR структурно пропустили б. Області ATM та OTM підганяються одночасно.
Охоплює динаміку, яку пропускають параметричні моделі
Neural SDE охоплюють динаміку волатильності, недоступну параметричним моделям: зміни режимів, ефекти залежності від траєкторії та перетікання між активами. Deep Hedging враховує витрати, які ігнорує класичне дельта-хеджування. Підхід вимогливий до даних і обчислювально дорогий, але саме туди рухаються кількісні фінанси.
Переваги та обмеження
Значення для криптовалют
Крипторинки природно підходять для Neural SDE, оскільки динаміка волатильності тут погано вивчена і швидко змінюється. Немає консенсусу щодо того, чи краще моделювати волатильність BTC за допомогою SABR, Heston, rough vol або чогось зовсім іншого. Neural SDE обходить цю суперечку, вивчаючи будь-яку динаміку, що міститься в даних -- включно з патернами, які порушують Black-Scholes, як-от зміни режимів. Головна перешкода -- дані: ринки криптоопціонів молоді, і навчальна вибірка мала порівняно з ринками акцій чи процентних ставок.
Навчені моделі, навчені хеджі
Neural SDE замінюють вручну обрані моделі волатильності навченими. Deep Hedging замінює теоретичні коефіцієнти хеджування такими, що враховують тертя. Ціна компромісу: інтерпретованість, вимоги до даних і обчислювальні витрати. Поки що це дослідницькі інструменти, але саме вони визначають передній край.
Дослідник рівнянь
Конвертуйте між імпліцитною волатильністю, загальною дисперсією, лог-монейністю та цінами опціонів.
Дослідник рівнянь
💡 Підказка: Спробуйте відповісти на кожне питання самостійно перед розкриттям відповіді.
Формування математичної інтуїції
Вивчіть Neural SDE з нуляІнтерактивний урок · без попередніх знаньЦей урок простою мовою пояснює ідею «навчити рівняння», а потім показує, як мережа вивчає функції дрейфу та дифузії і яке місце в цій картині займає deep hedging.
Див. також:
- Модель SABR -- Класична модель стохастичної волатильності з інтерпретованими параметрами
- Модель Heston -- Стохастична волатильність із поверненням до середнього та ціноутворенням у замкненій формі
- SANOS (непараметричні поверхні) -- Непараметрична підгонка з гарантованою відсутністю арбітражу
- Волатильність, залежна від траєкторії -- Ще один підхід на основі даних, що використовує історію цінової траєкторії
- Rough Bergomi -- Фракційна модель волатильності, яку Neural SDE потенційно можуть замінити