Forecasting implied volatility surface with generative diffusion models
创建于 更新于
摘要
本文提出了一种基于条件去噪扩散概率模型（DDPM）的隐含波动率曲面生成与预测方法。该模型通过结合历史隐含波动率曲面、标的收益及市场指标（如VIX）进行条件建模，利用信噪比加权的无套利惩罚项稳定训练，显著优于传统GAN模型。理论上证明了惩罚项引入的偏差有界，实证验证了模型在准确度、置信区间校准及生成曲面无套利性上的优势，为期权隐含波动率的量化建模带来了创新途径[page::0][page::1][page::21][page::32]。
