ROBUST FINANCIAL CALIBRATION: A BAYESIAN APPROACH FOR NEURAL SDES
创建于 更新于
摘要
本文提出了基于贝叶斯框架的神经随机微分方程（neural SDEs）金融模型校准方法，兼顾历史时间序列数据和期权价格数据，实现了风险中性和真实世界测度之间的转换。通过Langevin动态采样建立后验分布，量化模型参数不确定性，获得稳健的期权价格及隐含波动率界限。针对粗糙Bergomi模型、Black-Scholes模型及Heston模型进行了实证校准和敏感性分析，展示了该方法在多种模型下的有效性和鲁棒性，并在真实标普500数据上获得更紧致的隐含波动率区间 [page::0][page::1][page::8][page::13][page::17].
