[论文解读] Gated Neural Networks for Option Pricing: Rationality by Design
本文提出了一种门控神经网络用于欧洲期权定价，通过设计确保经济合理性，从而保证无套利条件并生成有效的风险中性密度。该模型通过学习动态期权分组并将市场一致的约束直接嵌入架构中，在准确性和泛化能力方面优于现有模型。
We propose a neural network approach to price EU call options that significantly outperforms some existing pricing models and comes with guarantees that its predictions are economically reasonable. To achieve this, we introduce a class of gated neural networks that automatically learn to divide-and-conquer the problem space for robust and accurate pricing. We then derive instantiations of these networks that are 'rational by design' in terms of naturally encoding a valid call option surface that enforces no arbitrage principles. This integration of human insight within data-driven learning provides significantly better generalisation in pricing performance due to the encoded inductive bias in the learning, guarantees sanity in the model's predictions, and provides econometrically useful byproduct such as risk neutral density.
研究动机与目标
- 开发一种数据驱动的期权定价模型，以保持经济一致性并避免套利机会。
- 通过将领域特定的归纳偏置整合到神经网络中，提升泛化能力和样本外性能。
- 通过分而治之策略自动学习最优期权分组，替代人工启发式方法。
- 从模型输出中生成有效、连续的风险中性密度函数，用于风险管理。
- 在大规模真实世界期权数据上展示卓越性能，包括在市场压力事件期间的表现。
提出的方法
- 该模型采用门控神经网络架构，根据市场条件动态将期权空间划分为子组。
- 通过六项设计原则（C1–C6）强制实施无套利约束，包括非负密度和单位积分。
- 通过引入虚拟期权合约和二阶导数约束，确保风险中性密度平滑且具有经济意义。
- 该架构在标普500指数期权数据上进行端到端训练，输入包括行权价相对水平、剩余到期时间和无风险利率。
- 模型同时输出期权价格和底层风险中性密度，从而可提取偏度和峰度等高阶矩。
- 通过在多日数据上进行训练，支持高频应用，以建模随时间变化的标的资产价格。
实验结果
研究问题
- RQ1能否设计一种深度学习模型用于期权定价，使其天然满足无套利条件？
- RQ2与固定启发式方法相比，学习动态期权分组如何提升定价准确性和泛化能力？
- RQ3神经网络能否从市场数据中生成有效且连续的风险中性密度函数？
- RQ4将经济约束整合到神经网络中是否能带来优于无约束模型的样本外性能？
- RQ5在多日数据上进行训练如何影响模型在市场条件变化时的性能表现？
主要发现
- 所提模型在三百万份期权合约的测试集上实现了12.11的测试均方误差（MSE），显著优于所有基线模型，包括Black-Scholes和随机波动率模型。
- 该模型将测试数据的平均绝对百分比误差（MAPE）降低至6.84%，展现出更优的预测准确性。
- 该模型生成了有效、非负且积分为一的风险中性密度，而PSSF和MNN则生成了无效或不连续的密度。
- 引入虚拟期权和二阶导数约束对于避免在零资产价格处产生不合理的高概率质量至关重要。
- 在市场压力事件（如2008年金融危机）期间，该模型表现出良好的泛化能力，跨不同经济周期保持稳健性能。
- 由于领域分布偏移，使用多日训练数据会导致性能下降，表明单日训练效果更优——凸显了对自适应高频建模的需求。
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。