UNCERTAINTY AND EXPLAINABILITY IN DEEP ROUGH VOLATILITY: A NEURAL INFORMATION-THEORETIC POSTERIOR APPROACH
创建于 更新于
摘要
本文针对粗糙Heston模型中仅依赖神经网络点校准难以刻画参数不确定性的问题，利用仿真基础推断与Telescoping Neural Ratio Estimation学习给定隐含波动率曲面后的完整参数后验，并通过异方差神经代理定价器将后验不确定性传导至远期启动、障碍和已实现方差期权。研究表明，完整后验预测区间能够实现接近名义水平或偏保守的覆盖，而单点校准在部分合约情形下会产生显著定价误差；同时，Hellinger-SHAP识别出正标准化货币翼及中长期期限是多项粗糙Heston参数获得信息增益的重要区域。[page::1][page::2][page::29][page::32]
