[论文解读] Calibration of Local-Stochastic Volatility Models by Optimal Transport
本文提出了一种基于最优传输的新型局部-随机波动率（LSV）模型校准方法，通过直接匹配观测到的欧式期权价格，避免了隐含波动率曲面的插值。利用凸对偶性和半鞅最优传输框架，该方法将校准问题表述为一个完全非线性的汉密尔顿-雅可比-贝尔曼（HJB）方程，通过策略迭代和交替方向隐式（ADI）格式求解，实现了对市场数据的精确拟合，且无需事先假设边分布。
In this paper, we study a semi-martingale optimal transport problem and its application to the calibration of Local-Stochastic Volatility (LSV) models. Rather than considering the classical constraints on marginal distributions at initial and final time, we optimise our cost function given the prices of a finite number of European options. We formulate the problem as a convex optimisation problem, for which we provide a PDE formulation along with its dual counterpart. Then we solve numerically the dual problem, which involves a fully non-linear Hamilton-Jacobi-Bellman equation. The method is tested by calibrating a Heston-like LSV model with simulated data and foreign exchange market data.
研究动机与目标
- 解决传统LSV校准方法依赖隐含波动率曲面插值所导致的不稳定性和不准确性问题。
- 克服现有校准技术中参数模型和无套利约束的局限性。
- 开发一种直接利用有限市场期权价格的校准框架，无需重建完整的隐含波动率曲面。
- 通过最优传输对偶性避免插值并强制市场一致性，确保杠杆函数保持良好定义且规则。
- 提供一种稳健的非参数校准方法，保持模型一致性并避免套利违规。
提出的方法
- 将LSV校准问题表述为带有观测欧式期权价格约束的半鞅最优传输问题，而非边分布约束。
- 利用Fenchel–Rockafellar对偶性推导出对偶形式，得到一个完全非线性的汉密尔顿-雅可比-贝尔曼（HJB）方程。
- 实施策略迭代算法，在每个时间步求解HJB方程，迭代更新值函数。
- 使用交替方向隐式（ADI）方法数值求解HJB方程和福克-普朗克方程，具有高稳定性和精度。
- 应用L-BFGS算法更新与市场期权价格相关的拉格朗日乘子，以最小化校准误差。
- 将对偶问题与时间离散化方案相结合，将期权收益约束嵌入到期日。
实验结果
研究问题
- RQ1最优传输理论能否被调整以在不插值隐含波动率曲面的情况下校准LSV模型？
- RQ2通过半鞅最优传输对LSV校准问题进行对偶表述，是否能产生稳定且精确的校准方法？
- RQ3所得到的HJB方程能否通过ADI和策略迭代高效数值求解，同时保持市场一致性？
- RQ4与基于插值的传统方法相比，该方法在真实外汇数据上的表现如何？
- RQ5仅使用有限观测期权价格，对杠杆函数的正则性和存在性有何影响？
主要发现
- 所提出的方法成功地将类似Heston的LSV模型校准至模拟数据，对所有指定的欧式期权价格实现精确拟合，证明了无需插值即可收敛。
- 在2012年8月的真实外汇市场数据上，该方法在1个月至5年期的各期限内，对10-delta、25-delta和50-delta的看涨和看跌期权均实现了精确校准。
- 在L-BFGS更新方案下算法收敛，梯度范数低于1e-5，表明优化行为稳健。
- 采用对偶HJB形式确保了即使在市场数据稀疏的情况下，校准仍与无套利条件一致。
- 该方法避免了隐含波动率曲面参数化插值中常见的不稳定性和套利违规问题。
- 数值实验确认解保持良好定义，且杠杆函数通过最优传输框架隐式实现正则化。
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。