Calibrating the Heston model with deep differential networks
创建于 更新于
摘要
本文提出用于Heston随机波动率模型校准的深度微分网络（DDN），同时学习欧式期权价格及其关于五个Heston参数的一阶偏导数，并通过包含价格误差与导数误差的联合损失提升定价近似精度。[page::0][page::2][page::7] 研究采用拉丁超立方采样生成覆盖广泛参数空间的数据集，结合标准化、正则化和多起点Adam优化，实现快速且稳定的市场期权校准。[page::9][page::13][page::14] 在微软、Costco、Booking及标普500期权数据上的实证结果表明，DDN较普通前馈神经网络具有更高校准准确度，同时达到与Nelder-Mead方法相近的误差水平，但计算时间由数分钟显著缩短至数秒。[page::14][page::16][page::17]
