[论文解读] Deep calibration of rough stochastic volatility models

Christian Bayer, Benjamin Stemper|arXiv (Cornell University)|Oct 8, 2018

Stock Market Forecasting Methods被引用 38

一句话总结

本文提出了一种基于深度学习的粗糙随机波动率模型校准方法，通过神经网络代理模型替代计算成本高昂的蒙特卡洛模拟，以近似隐含波动率曲面。该方法通过将神经网络与Levenberg-Marquardt优化器结合，实现了高精度与高速度的校准，经合成数据与真实市场数据验证，贝叶斯校准结果证实了参数恢复的稳健性。

ABSTRACT

Sparked by Alòs, León, and Vives (2007); Fukasawa (2011, 2017); Gatheral, Jaisson, and Rosenbaum (2018), so-called rough stochastic volatility models such as the rough Bergomi model by Bayer, Friz, and Gatheral (2016) constitute the latest evolution in option price modeling. Unlike standard bivariate diffusion models such as Heston (1993), these non-Markovian models with fractional volatility drivers allow to parsimoniously recover key stylized facts of market implied volatility surfaces such as the exploding power-law behaviour of the at-the-money volatility skew as time to maturity goes to zero. Standard model calibration routines rely on the repetitive evaluation of the map from model parameters to Black-Scholes implied volatility, rendering calibration of many (rough) stochastic volatility models prohibitively expensive since there the map can often only be approximated by costly Monte Carlo (MC) simulations (Bennedsen, Lunde, & Pakkanen, 2017; McCrickerd & Pakkanen, 2018; Bayer et al., 2016; Horvath, Jacquier, & Muguruza, 2017). As a remedy, we propose to combine a standard Levenberg-Marquardt calibration routine with neural network regression, replacing expensive MC simulations with cheap forward runs of a neural network trained to approximate the implied volatility map. Numerical experiments confirm the high accuracy and speed of our approach.

研究动机与目标

• 解决粗糙随机波动率模型校准过程中依赖昂贵蒙特卡洛模拟进行隐含波动率计算所带来的高计算成本问题。
• 开发一种可扩展且高效的校准框架，在降低计算时间的同时保持高精度。
• 验证神经网络代理模型在近似隐含波动率图谱方面的保真度，涵盖合成数据与真实市场数据。
• 展示将深度学习与传统优化方法（Levenberg-Marquardt）结合用于金融模型校准的可行性。
• 通过贝叶斯校准确认方法的稳健性，评估模型参数的后验分布。

提出的方法

• 训练神经网络以学习从模型参数和期权特征（行权价相对水平、剩余到期时间）到Black-Scholes隐含波动率的映射关系，替代蒙特卡洛模拟。
• 使用Levenberg-Marquardt优化算法校准模型参数，由神经网络快速提供隐含波动率曲面的前向评估。
• 应用流动性加权的非线性贝叶斯回归，以考虑市场数据的异方差性及买卖价差，使用反向价差作为权重。
• 利用参考蒙特卡洛方法构建合成隐含波动率曲面，以在真实数据应用前验证神经网络的准确性。
• 通过MCMC后验推断评估不确定性与参数可识别性，可视化联合与边际后验分布。
• 在似然函数中使用对角权重矩阵以反映不同期权间流动性差异，权重由中间价与买卖价差推导得出。

实验结果

研究问题

• RQ1 神经网络代理模型能否准确近似粗糙随机波动率模型的隐含波动率曲面，从而替代昂贵的蒙特卡洛模拟？
• RQ2 将神经网络与Levenberg-Marquardt优化器结合，是否能够实现粗糙波动率模型的快速且精确校准？
• RQ3 在使用贝叶斯推断与流动性加权似然函数时，校准模型在合成数据上对真实参数的恢复能力如何？
• RQ4 在存在退化现象（如H、η、ρ之间的权衡）的情况下，神经网络在多大程度上保持了参数的可识别性？
• RQ5 该方法是否能成功校准至真实SPX隐含波动率数据，且后验分布与先前研究报道的参数估计一致？

主要发现

• 神经网络代理模型在近似隐含波动率曲面方面表现出高精度，实现了无需牺牲保真度的快速校准。
• 在合成数据上的贝叶斯校准显示，后验分布呈单峰且集中于真实参数值，证实了方法的可靠性。
• 后验分布的参数对（η,H）与（η,ρ）呈现对角椭圆轮廓，表明由于模型中补偿效应的存在，预期出现参数退化现象。
• 在2017年5月19日的真实SPX数据上，该方法成功恢复了与先前研究一致的参数区域，后验峰值接近BFG16报告的数值。
• 贝叶斯校准的残差分析表明，尽管真实数据中完全的退化效应不那么显著，但散点图仍显示出H、η与ρ之间权衡行为的残余痕迹。
• 流动性加权方法有效处理了市场微观结构噪声，使用反向买卖价差作为权重显著提升了校准的稳健性。