Differential Machine Learning for 0DTE Options with Stochastic Volatility and Jumps
创建于 更新于
摘要
本文提出将差分机器学习（DML）应用于严格当日到期（0DTE）期权的定价与敏感度计算：以Black–Scholes形式引入受到到期时间门控的方差修正，并结合价格/Greeks 监督、PIDE 残差惩罚与一个单独的跳跃算子网络，通过三阶段训练提升跳跃项可辨识性，在Bates模型仿真中实现价格误差接近基线且显著改善Delta/Vega精度，并在对冲测试中保持一日Delta对冲稳定性且计算速度远快于Fourier基准 [page::0][page::11]
