Universal Diffusion Models for Implied Volatility Surfaces: Learning Shared Dynamics Across Stocks
创建于 更新于
摘要
本文提出一种面向多股票的通用条件扩散模型，联合生成下一交易日的股票收益率与隐含波动率曲面增量，并通过平滑性、静态套利约束及情景重加权提升生成结果的金融合理性。模型基于50只股票训练，并在50只样本内股票和50只样本外股票上进行检验；结果显示，扩散模型在静态套利控制、收益风险预测和主成分方差结构还原方面整体优于VolGAN，且无需重新训练即可迁移至样本外股票。其中，MSE版本的套利违约最少，套利约束版本的收益率区间覆盖率最接近95%目标，说明模型学习到了可跨股票共享的隐含波动率动态 [page::0][page::3][page::4][page::5][page::7]。
