[论文解读] 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 3

一句话总结

FuNVol 提出了一种基于函数主成分（FPCs）和神经随机微分方程（SDEs）的多资产隐含波动率（IV）曲面生成模型，实现了无套利 IV 动态的逼真模拟。该方法将 IV 曲面投影到勒让德基函数上，通过 FPCA 降低维度，并利用神经 SDE 对时间演化进行建模，生成的期权希腊对冲损益（P&L）分布与真实市场结果高度一致。

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.

研究动机与目标

• 开发一种生成模型，以在时间维度上模拟多个资产之间逼真且无套利的隐含波动率（IV）曲面。
• 克服参数化模型（如 SVI、SABR）和插值方法的局限性，后者可能引入静态套利或施加强烈的形状假设。
• 以一种保持历史市场特征并与真实世界损益行为一致的方式，联合建模 IV 曲面动态与标的资产价格。
• 通过生成大规模、逼真的市场情景，支持强化学习在对冲、投资组合配置和统计套利等下游应用中的使用。
• 证明基于模拟曲面的对冲损益分布与实际市场数据中观察到的实现损益分布高度一致。

提出的方法

• 将离散的 IV 数据（在行权价与到期日构成的网格上）投影到勒让德基函数上，以创建连续且正交的 IV 曲面函数表示。
• 应用函数主成分分析（FPCA）以提取多个资产间的主要变异模式，并将维度降低至低秩函数子空间。
• 使用可学习漂移和扩散函数（由神经网络参数化）的非马氏神经 SDE 对 FPC 得分的时间演化进行建模。
• 引入概率积分变换惩罚项，以确保即使在训练数据中存在套利时，模拟的 IV 曲面仍保持无静态套利。
• 通过将神经 SDE 条件化于历史价格路径，同时生成相关联的 IV 曲面序列与标的资产价格序列。
• 通过在模拟路径上应用 delta 对冲策略并对比其产生的损益分布与真实市场数据，对模型进行验证。

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

实验结果

研究问题

• RQ1 基于函数数据分析与神经 SDE 的框架能否生成与历史市场动态一致且无静态套利的多资产隐含波动率曲面？
• RQ2 该模型在不假设曲面参数形式的情况下，对 IV 曲面与标的资产价格联合动态的模拟能力如何？
• RQ3 基于模拟曲面的对冲策略所产生的损益分布与真实市场数据中观察到的分布一致程度如何？
• RQ4 即使在训练数据中包含静态套利的情况下，该模型能否生成真实且无套利的 IV 曲面？
• RQ5 概率积分变换惩罚项在无需显式惩罚的情况下，对强制实现无套利约束的有效性如何？

主要发现

• 该模型成功生成了与历史市场特征一致且位于无套利曲面子流形内的多资产隐含波动率曲面，即使未使用显式套利惩罚项。
• 对四只股票（AMZN、IBM、INTC、TSLA）的 10,000 条模拟路径进行 delta 对冲后，其损益分布与实际市场数据中观察到的实现损益分布高度一致。
• 对于平值期权，实际损益分别为 25.0（AMZN）、-0.87（IBM）、-0.01（INTC）和 -12.08（TSLA），均落在模拟损益分布的四分位距范围内，表明模型具有极强的现实感。
• 该模型在无需假设 SABR 或 SVI 等参数形式的情况下，实现了准确的曲面重建与动态建模，转而依赖函数基投影与神经 SDE。
• 勒让德基函数的使用实现了稳定且正交的函数表示，简化了 FPCA 过程并提升了数值稳定性。
• 该框架具有灵活性与可扩展性，可将额外市场特征（如利率、VIX、成交量）整合进神经 SDE，以增强现实感。

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.