[論文レビュー] FuNVol: A Multi-Asset Implied Volatility Market Simulator using Functional Principal Components and Neural SDEs

Vedant Choudhary, Sebastian Jaimungal+1 more|arXiv (Cornell University)|Mar 1, 2023

Stock Market Forecasting MethodsDecision Sciences被引用数 3

ひとこと要約

FuNVol は、関数的主成分分析（FPCs）とニューラル確率微分方程式（SDEs）を用いて、複数資産のインプライドボラティリティ（IV）サーフェスの生成モデルを提案する。これにより、アービタージュフリーな IV 動的挙動の現実的なシミュレーションが可能になる。本手法は、IV サーフェスをレジェンドル基底関数に射影し、FPCA を用いて次元削減を行い、時間的変化をニューラル SDE でモデル化する。その結果得られるデルタヘッジの損益（P&L）分布は、実際の市場結果と非常に近いものとなる。

ABSTRACT

We introduce a new approach for generating sequences of implied volatility (IV) surfaces across multiple assets that is faithful to historical prices. We do so using a combination of functional data analysis and neural stochastic differential equations (SDEs) combined with a probability integral transform penalty to reduce model misspecification. We demonstrate that learning the joint dynamics of IV surfaces and prices produces market scenarios that are consistent with historical features and lie within the sub-manifold of surfaces that are essentially free of static arbitrage. Finally, we demonstrate that delta hedging using the simulated surfaces generates profit and loss (P&L) distributions that are consistent with realised P&Ls.

研究の動機と目的

• 複数の資産にわたる時間的変化を考慮した、現実的でアービタージュフリーなインプライドボラティリティ（IV）サーフェスをシミュレートする生成モデルの開発。
• パラメトリックモデル（例：SVI、SABR）や補間手法の限界を克服すること。これらの手法は静的アービタージュを生じさせたり、強い形状仮定を課す可能性がある。
• IV サーフェスの動的挙動と基礎資産価格を同時にモデル化し、歴史的市場特徴と現実の P&L 動作と整合性を保つこと。
• 強化学習によるヘッジ戦略、ポートフォリオ最適化、統計的アービタージュのための下流応用を可能にするために、大規模で現実的な市場シナリオを生成すること。
• シミュレートされたデルタヘッジによる P&L 分布が、実際の市場データから得られる実測 P&L と非常に近いことを示すこと。

提案手法

• ストライクと期限のグリッド上に配置された離散的 IV データを、連続的で直交的な関数的表現であるレジェンドル基底関数に射影し、IV サーフェスの関数的表現を構築する。
• 複数の資産にわたる変動の主要モードを抽出し、次元削減を実行するため、関数的主成分分析（FPCA）を適用し、低ランクの関数的部分空間に統合する。
• FPC スコアの時間的変化を、学習可能なドリフト関数と拡散関数をニューラルネットワークでパラメータライズした非マルコフ型ニューラル SDE を用いてモデル化する。
• 訓練データにアービタージュが含まれていても、シミュレートされた IV サーフェスが静的アービタージュを含まないよう保証するため、確率積分変換ペナルティを導入する。
• 歴史的価格経路に条件付けたことで、同時に関連する IV サーフェスと基礎資産価格の系列を生成する。
• モデルの妥当性を検証するため、シミュレートされたパスにデルタヘッジ戦略を適用し、その結果得られる P&L 分布を実市場データからのものと比較する。

Figure 1: Flowchart illustrating the end-to-end process to generate synthetic IV surfaces and market data.

実験結果

リサーチクエスチョン

• RQ1 関数的データ解析とニューラル SDE を組み合わせたフレームワークは、歴史的市場動的挙動と整合的で、静的アービタージュのない多資産 IV サーフェスを生成できるか？
• RQ2 本モデルは、サーフェスにパラメトリック形式を仮定しない状態で、IV サーフェスと基礎資産価格の共同動的挙動をどの程度正確にシミュレートできるか？
• RQ3 シミュレートされたサーフェスに基づくデルタヘッジ戦略の P&L 分布は、実市場データで観測されたものとどの程度一致するか？
• RQ4 訓練データに静的アービタージュが含まれている場合でも、本モデルは現実的でアービタージュフリーな IV サーフェスを生成できるか？
• RQ5 確率積分変換ペナルティは、明示的なペナルティを課さずに、アービタージュフリー制約をどの程度効果的に維持できるか？

主な発見

• 本モデルは、明示的なアービタージュペナルティがなくても、歴史的市場特徴と整合的で、アービタージュフリーなサーフェスの部分多様体上に位置する多資産 IV サーフェスを成功裏に生成した。
• 4資産（AMZN、IBM、INTC、TSLA）の10,000本のシミュレートパスに対してデルタヘッジを適用した結果、P&L 分布は実市場データで観測されたものと非常に近いものとなった。
• ATM オプションについて、実測 P&L（AMZN: 25.0、IBM: -0.87、INTC: -0.01、TSLA: -12.08）は、すべてシミュレートされた P&L 分布の四分位範囲内に収まっており、高い現実性が裏付けられた。
• SABR や SVI といったパラメトリック形式を仮定せず、関数的基底関数への射影とニューラル SDE に依存することで、正確なサーフェス再構築と動的挙動モデル化を達成した。
• レジェンドル基底関数の使用により、安定で直交的な関数的表現が可能となり、FPCA の実行が簡素化され、数値的安定性が向上した。
• 本フレームワークは柔軟かつ拡張可能であり、金利、VIX、取引量などの追加市場要因をニューラル SDE に統合することで、さらに現実的なシナリオの生成が可能になった。

Figure 2: Pairwise scatter plot of the estimated time series of coefficients $\{a_{t,k}\}$ corresponding to the projection of IV data on the orthonormalized Legendre basis functions.