[论文解读] Deep calibration of the quadratic rough Heston model

Mathieu Rosenbaum, Jianfei Zhang|arXiv (Cornell University)|Jul 4, 2021

Stochastic processes and financial applications参考文献 23被引用 10

一句话总结

本文提出了一种基于深度学习的二次粗糙赫斯顿模型校准方法，采用多因子近似以实现高效的蒙特卡洛模拟。该方法实现了对SPX和VIX隐含波动率的高精度联合校准，VIX期权价格处于买卖价差范围内，且平值期权斜率拟合效果极佳，同时通过训练好的神经网络实现了即时对冲。

ABSTRACT

The quadratic rough Heston model provides a natural way to encode Zumbach effect in the rough volatility paradigm. We apply multi-factor approximation and use deep learning methods to build an efficient calibration procedure for this model. We show that the model is able to reproduce very well both SPX and VIX implied volatilities. We typically obtain VIX option prices within the bid-ask spread and an excellent fit of the SPX at-the-money skew. Moreover, we also explain how to use the trained neural networks for hedging with instantaneous computation of hedging quantities.

研究动机与目标

• 解决连续时间模型在联合校准SPX和VIX隐含波动率方面仍具挑战性的问题。
• 为二次粗糙赫斯顿模型开发一种高效的校准程序，该模型通过过去收益对未来的波动率反馈来编码祖巴赫效应。
• 通过利用在模拟数据上训练的深度神经网络，实现实时、精确的期权定价与对冲。
• 展示模型能够以高精度重现市场观测到的SPX与VIX波动率微笑，尤其在短期期限下表现优异。
• 表明训练好的神经网络可实现实时计算对冲数量，从而实现实际应用。

提出的方法

• 二次粗糙赫斯顿模型通过一个依赖于粗糙过程Z_t的方差过程来定义，该过程通过过去收益对未来的波动率反馈捕捉祖巴赫效应。
• 对粗糙核应用多因子近似，通过核函数的有理逼近将非马氏的粗糙赫斯顿过程转化为高维马氏系统。
• 该近似使用一组由辅助变量Z_i^t驱动的常微分方程，参数c_i和γ_i被选择以匹配粗糙核的行为，从而实现稳定且高效的欧拉型模拟。
• 训练深度神经网络，将观测到的SPX和VIX隐含波动率映射到模型参数，使用蒙特卡洛模拟结果作为训练的真实标签。
• 采用迁移学习，通过在α=0.51处预训练的模型初始化，加速不同α值下的训练过程。
• 校准后的神经网络不仅用于定价，还可用于在完美对冲设置下即时计算对冲数量。

实验结果

研究问题

• RQ1 二次粗糙赫斯顿模型能否在短期限内，对SPX和VIX隐含波动率曲面实现联合且精确的拟合？
• RQ2 深度学习能否被有效用于以高速度和高精度校准二次粗糙赫斯顿模型的复杂参数？
• RQ3 多因子近似是否保留了粗糙波动率的关键特征，同时实现可行的蒙特卡洛模拟？
• RQ4 训练好的神经网络能否为该模型下的欧式期权提供实时对冲数量？
• RQ5 校准在不同市场状态下的鲁棒性如何，通过每日参数动态变化体现？

主要发现

• 该模型对SPX隐含波动率微笑的拟合效果极佳，尤其在高保真度下捕捉了平值处的斜率特征。
• 在市场数据回测中，模型生成的VIX期权价格落在买卖价差范围内，表明其具有强大的市场一致性。
• 与以往连续时间模型相比，SPX与VIX微笑的联合校准性能显著提升，后者在该任务上表现困难。
• 采用迁移学习可减少训练时间与损失，加速不同α值下的收敛过程。
• 训练好的神经网络可实现实时计算对冲数量，使得仅凭SPX数据即可实现欧式期权的实时对冲。