天然气市场价格与储存动态特征观测 [page::2][page::3]

• 天然气价格波动剧烈，价格增量表现出明显的振荡性和粗糙性。

- 市场储存表现强烈的季节性，并且储存增量自身也有较明显的波动。

• 储存水平与价格波动存在交互关系，当储存接近满仓或枯竭时，价格波动性明显升高。

新型路径依赖波动率模型设计与理论分析 [page::4][page::6][page::9][page::10][page::11]

• 模型在对数价格动态中引入带参数α的路径加权移动平均，用以捕捉价格路径的历史影响。

- 差分过程引入储存因素X(t)和周期性部分P(t)，模型波动率设为σ(t)=f(X(t),路径加权均值)，兼顾粗糙波动及储存细节。

• 理论证明该模型在满足自然条件下存在唯一强解，且包含经典常波动、粗糙波动以及储存相关波动三种极端情况。

- 校准采用Euler-Maruyama近似及共识优化算法（CBO），分两步进行：先估计价格模型参数，再最小化均方误差拟合储存动态参数。

| 时间区间 | α | r | λ | V0 | V1 | V2 |
|----------|--------|-------|-------|-------|-------|-------|
| 01/2019-10/2019 | 1.4561 | 5.2536 | 4.2638 | 2.1268 | 0.1361 | 4.0786 |
| 11/2019-03/2020 | 0.8734 | 2.2244 | 4.8764 | 0.7193 | 0.0341 | 0.1893 |

• α的估计值体现了不同时间段市场波动的粗糙程度，特别是与地缘政治和疫情影响相关的波动变化。

储存-波动性交互及校准结果 [page::7][page::8][page::13][page::32]

• 储存水平与价格波动之间存在期望的“镇静因子”作用，但价格波动受限于储存容量，存在容量阈值效应。

- 储存数据季节性明显，采用Fourier方法去季节拆分，分解出周期性成分P(t)和去季节后的储存因子X(t)。

• 储存动态参数采用分段时间窗口的均方误差最小化方法进行校准，得到正负参数向量，反映储存增减对价格的响应机制。

- 多种校准窗口提供不同精度的拟合效果，灵活适用于不同投资时段。

天然气离散时间摆动期权定价问题建模与深度学习定价方法 [page::15][page::16][page::17][page::18][page::19][page::22][page::23]

• 构建离散时间敲入式摆动期权，定义行权权利和时间限制，将定价问题转化为路径依赖的随机最优控制问题。

- 动态规划公式描述期权价值的递归关系，但路径依赖性使传统蒙特卡洛和树模型难以有效计算。

• 设计基于多层前馈神经网络的条件期望近似，输入价格路径历史信息，实现对价值函数的非线性拟合与高维映射。

- 通过大量仿真路径训练神经网络，多个激活函数和优化器对比实验验证其数值表现稳定，训练收敛快且估算精度高。

• 神经网络方法具有理论近似能力保证，提出误差界限和收敛分析，结合Euler离散价格路径逼近证明整体算法收敛性。

量化模型与数值方法的综合优势 [page::14][page::20]

• 模型完美捕捉天然气市场的复杂价格-储存交互和波动结构，兼顾经典和粗糙波动模型优势。

- 校准结果合理反映历史事件影响，增强模型预测能力。

• 神经网络方法有效解决了路径依赖定价的高维非线性问题，适应能源衍生品实战需求。

金融研究报告详尽分析报告

---

1. 元数据与概览

• 论文标题：

Stochastic Path-Dependent Volatility Models for Price-Storage Dynamics in Natural Gas Markets and Discrete-Time Swing Option Pricing

• 作者与机构：

Jinniao Qiu, Antony Ware, Yang Yang
日期：2025年7月22日

• 研究主题：

本文针对天然气市场价格与储存的动态，提出了基于路径依赖的随机波动率模型（Stochastic Path-Dependent Volatility Model）用于刻画价格与储存的相互作用；同时，针对天然气市场常用的离散时间摆动期权，讨论了其定价问题，并引入了基于深度学习的数值近似算法及其收敛分析。

• 核心论点与贡献：

- 创新性构造了一种路径依赖波动率模型，路径依赖同时作用于价格波动率和储存增量。
- 利用自然气价格与储存数据进行模型参数校准。
- 针对离散时间摆动期权，基于动态规划原理，将定价问题转化为带路径依赖的随机最优控制问题，并采用深度神经网络的方法计算条件期望。
- 提出并验证了对应数值算法的收敛性。

• 主要信息传达：

作者试图展示天然气市场的价格-储存互动特征及其对价格波动率的影响，结合路径依赖与粗糙波动率理论，建立更加灵活准确的天然气价格动态模型。此外，将此模型拓展用于实际的摆动期权定价，设计先进的数值算法以应对高维和非马尔可夫特征的挑战。[page::0,1,2,3,15,20]

---

2. 逐节深度解读

2.1 引言与模型设定

• 主要内容：

论文基于包含完整滤波与测度空间的概率框架，构造了天然气日内市场价格的对数价格过程$\overline{S}(t) = \ln S(t)$，满足随机微分方程
$$
d\overline{S}(t) = (\mu(t) - \lambda \overline{S}(t)) dt + \sigma(t) dW(t)
$$
其中$\sigma(t)$为路径依赖波动率，具体为函数$f$作用于价格路径和储存偏离规律的状态变量$X(t)$。
路径依赖以对应的价格路径函数$h((\overline{S})t)$引入，且强调储存增量及波动率的共同演化关系。

• 理论背景与市场动因：

过去天然气价格高度依赖原油市场，但近年来其波动逐渐独立。天气和库存被广泛认为是价格的主要驱动因素。储存水平的变化显著影响价格现货与远期价格的关系，特别是在储存接近满或空时表现突出。

• 文献回顾与模型分类：

- 经典波动率模型包括常量波动（如Black-Scholes）、局部波动率（Local Volatility）、随机波动率（Stochastic Volatility）及路径依赖波动率（Path-Dependent Volatility）。
- 路径依赖波动率模型在拟合波动率微笑、波动率历史格局及捕捉波动率的多样动态方面具有优势。
- 历史及最新文献（如Guyon等）均表明，基于路径依赖的多因素模型具备更佳的拟合和预测能力。
- 粗糙波动率（Rough Volatility）模型被提出以捕捉波动率路径的粗糙性，研究已显示其优越性。[page::1,2]

2.2 天然气市场的路径依赖建模启示

• 粗糙波动率的联系：

- 论文通过加权移动平均和幂核函数刻画路径依赖，形成非马尔可夫过程。
- 该建模框架包含了经典和粗糙波动率模型作为特例，特别演化成粗糙Heston模型时对应的Hurst指数由参数$\alpha$决定，体现“粗糙度”的层次。
- 储存偏离周期曲线的变量$X(t)$被引入模型，用以刻画储存动态，能够描述“低买高卖”投资策略的实施效果。

• 价格-储存动态的分化描述：

- 储存路径表现为相对平稳平滑，而价格波动存在显著波动性与粗糙性，二者行为的正交特性呼应了模型将储存和波动率共建路径依赖的设定。
- 储存状态对波动率的影响体现在接近满存或空存时波动率提升，是市场不稳定性增强的重要表现。

• 数据分析及实证观察（图1、图2）：

- 天然气价格及其涨跌幅曲线显示高度波动且有粗糙特征。
- 储存水平有明显季节性，且储存增量展现更强波动，而储存整体曲线较为平稳。
- 这些特性激发对带路径依赖的波动率和储存增量模型设计，同时要求去季节化处理以分离结构性和周期性因素。[page::2,3]

2.3 路径依赖动因细化与存储-波动率耦合

• 路径依赖核函数定义与性质（2.4-2.6）：

- 通过带参数$\alpha$的幂核$k^\alpha(t,u)$定义加权移动平均。
- 关键引理保证该积分定义在一定参数范围内几乎确定存在，且能表达相对价格水平差异。
- 通过对该函数的分析，模型连接至粗糙波动率框架。

• 模型波动率构成解释：

- 波动率$\sigma(t)$具备多个分量：
- 常数成分$V0$
- 储存影响分量$V1/\big((X+P)(1-X-P)+\delta\big)$，储存接近边界时增加波动率
- 路径依赖分量$V2 \sqrt{|\overline{S}t^{\alpha,\delta} - \overline{S}(0)| + \delta}$，体现“粗糙波动率”特性

• 储存动态定义及其与价格波动的关系：

- 储存过程$X(t)$通过带正负部分调节项的ODE定义，正负项分别对应储存的注入和释放策略，受到价格路径的影响。
- 该模型充分体现了储存作为“缓冲器”的市场功能，尤其表现为储存极限附近价格波动加剧，兼顾了市场容量与风险。[page::4,5,6,7,8,9]

2.4 模型的解析性结果

• 模型的良定性（Well-posedness）：

- 利用局部化技术和先验估计，论文证明了包含路径依赖和储存耦合的随机微分系统存在唯一强解。
- Lemma 3.1提供了主要过程的有界性及波动率的控界性质。
- Theorem 3.2基于上述和经典SDE理论，确保解的存在和唯一性，并保证二阶矩有界，适合后续的数值模拟和理论分析。[page::10,11,26,27,28,29,30]

2.5 模型参数校准

• 校准方法论：

- 针对价格模型和储存模型分别进行两步校准，分别对应模型中的不同参数组，确保计算稳定且易于实现。
- 价格部分：采用离散时间的Euler-Maruyama方法，对对数价格增量写出似然函数，通过最大化日志似然函数估计参数$\theta = \{\alpha, r, \lambda, V0, V1, V2\}$。
- 储存部分：利用均方误差最小化方法，校准控制参数$\gamma1, \gamma2$，使模拟储存轨迹与实际去季节化储存数据尽可能匹配。
- 参数优化采用无梯度的Consensus-Based Optimization（CBO）方法，具备全局收敛优势，适合非凸和高维非线性问题。

• 数据应用与结果：

- 数据周期2019 – 2022，分为多个时间截面对应重大事件（例如美伊紧张局势、疫情爆发、俄乌战争）。
- 校准结果中，$\alpha$的估计表明波动率粗糙度显著波动，反映现实事件对价格波动影响。
- 参数$V1$和$V2$的存在反映了储存边界效应和路径依赖波动的重要性。
- 储存校准参数$\gamma1, \gamma2$大多呈正值，说明储存动态受价格驱动显著，符合现实市场行为。

• 表格解析：

- 表1介绍CBO的参数配置（如粒子数、迭代次数等）。
- 表2展示价格模型各时间段参数校准结果，$\alpha$数值区间体现了不同粗糙程度。
- 表3和附录表7、8展示不同假设条件下储存参数的估计值。
- 数据与事件关联，验证模型拟合的经济合理性和解释能力。[page::11,13,14]

2.6 摆动期权定价框架与数值方法

• 定价问题设置：

- 基于前述价格-储存模型，引入带有全局约束$L$和局部约束$\tilde{L}$的离散时间看跌型摆动期权。
- 权利行使时间离散取值，控制变量为每个时间点的行使权利数，限于$[0, \tilde{L}]$。
- 目标是最大化期权的期望收益，考虑到未用尽行使权利时可能施加的惩罚函数，惩罚依赖于终止价格及剩余权利。

• 动态规划表达与路径依赖挑战：

- 价值函数满足贝尔曼方程，动态规划原则直观但条件期望计算复杂，特别是模型具有路径依赖的非马尔可夫特性。
- 传统基于马尔可夫假设的Least-Squares Monte-Carlo和树方法难以直接适用。

• 神经网络方法设计：

- 利用前馈神经网络拟合条件期望函数，将高维的路径状态映射到近似的价值函数上。
- 通过神经网络参数优化（损失函数为带权平方误差），实现动态规划中的条件期望捕获。
- 网络结构包括输入层对应整个路径或时间窗口的价格序列，中间隐藏层和输出层。
- 证明该类网络在$L^2$空间内对随机过程可达任意精度的近似能力，数学保障了方法合理。

• 数值算法步骤：

- 模拟多个价格路径，逐步从终点向起点反向拟合，利用网络逼近期望收益。
- 采用不同激活函数和优化方法进行实验验证。
- 提供各种数值结果和性能指标，表明收敛性良好。

• 收敛性分析：

- 定理证明了深度学习估计值与理论最优值之间误差的上界，误差项由价格路径近似误差和神经网络函数逼近误差共同决定。
- 指出神经网络逼近误差理论上难以明确界定，但模型和算法框架具有很大潜力。

• 数值示例及验证（图5-8，表5-6）：

- 小样本离散摆动期权定价数值展示包括均值、误差分布和训练过程。
- 激活函数（Sigmoid/Relu）和优化器（Levenberg-Marquardt/Scaled Conjugate Gradient）比较，发现Sigmoid结合Levenberg-Marquardt表现最好。
- 误差直方图显示大多数误差接近零，验证了网络逼近的有效性。

• 整体方法优势：

- 神经网络突破了路径依赖和非马尔可夫性带来的数值计算瓶颈，适应高维、复杂动态的现市场环境。
- 拟合和优化方案灵活，便于后续改进和扩展。[page::15,16,17,18,19,20,21,22,23,24,25]

---

3. 重要图表深度解读

图1与图2：天然气价格、储存及其增量（Jan 2019 - Dec 2022）

• 图示内容：

- 图1左侧为天然气日内价格历时变化，右侧为价格涨跌幅。
- 图2左侧为周度天然气储存水平，右侧为储存增量。

• 数据特征解读：

- 价格波动剧烈，涨跌幅呈现粗糙、不规则波动，符合粗糙波动率假设。
- 储存水平呈周期性显著特征，符合季节性和能源需求规律。储存增量尽管波动较大，但整体走势相对平缓。
- 储存曲线和价格波动存在明显差异，提示需不同数学结构建模。

• 文本关联：

- 作者通过这些图形验证了模型设计的合理性，特别强调路径依赖和粗糙性的必要性。[page::3]

---

图3：储存-波动率相互关系（Jan 2019 - Dec 2022）

• 图示内容：

- 同时展示了储存水平（归一化到[0,1]）和日价格涨跌幅。

• 解读：

- 储存接近极限（0或1）时，价格涨跌幅剧烈，说明储存边界对市场波动有明显压力。
- 反之储存高低非唯一决定价格波动性，价格波动还由其他外部因素驱动。
- 储存体现“缓冲器”作用，但这种“缓冲”能力有限。

• 与理论模型对应：

- 该观察支持模型中将波动率与储存动态耦合的设计，揭示储存的市场稳定作用及其边界效应。[page::7]

---

图4：储存数据傅里叶变换拟合

• 内容说明：

- 傅里叶变换用于去季节性拟合，去除储存的周期性成分，提取非周期性偏离量。

• 效果解读：

- 拟合曲线能够较好捕获储存趋势，去除了周期性波动干扰。
- 为模型提供洁净、非周期的储存信号，防止价格路径依赖特征与季节性混淆。

• 关联文本：

- 傅里叶分解为后续储存动态模型构建提供了基础，确保模型更专注于非周期驱动因素。[page::9]

---

图5、6、7、8：神经网络培训及误差表现

• 展示内容：

- 四套激活函数和优化器组合的训练误差曲线和误差分布直方图。

• 解读总结：

- 训练过程均表现出逐步误差下降趋势，表明网络学习算法稳定有效。
- 误差集中于零附近，误差分布良好，无明显偏差或系统误差。
- Sigmoid+Levenberg-Marquardt组合表现最佳，训练误差最小且收敛较快。
- 不同优化器与激活函数虽有细微差异，但均能达到较高拟合质量。

• 模型实现证明：

- 图形验证了深度神经网络在复杂路径依赖条件期望近似上的可行性，为理论与应用奠定基础。[page::23,24,25]

---

图9、10、11：储存模型拟合效果（不同时间粒度）

• 内容说明：

- 展示基于不同分段时间长度$\mathcal{T}=T$、$\tau=14$天及$\tau=30$天的储存校准拟合结果。
- 红色为模拟拟合曲线，蓝色为实际观测数据。

• 解读：

- 模拟数据整体拟合较好，尤其能捕捉储存曲线的趋势和波动。
- 不同分段长度参数调整了拟合精细度和捕捉的季节性变化周期。
- 结果显示模型在去季节化基础上的储存动态模拟具有良好的表现力和适应性。

• 与参数校准对应：

- 辅助验证储存动态ODE结构的合理性及参数校准效果，支持模型整体准确性。[page::33,34,35]

---

4. 估值分析

• 估值方法简介：

- 摆动期权定价采用基于动态规划的随机最优控制方法。
- 由于波动率模型路径依赖和非马尔可夫性质，传统条件期望计算方法难以使用。

• 数值逼近技术：

- 运用深度神经网络近似任意函数映射，特别是条件期望映射。
- 设计结构化神经网络以适配时间路径维度不断变化的输入空间，实现对价值函数的高效逼近。
- 通过多层前馈神经网络和激活函数组合，提供强力非线性映射能力，有效解决高维路径状态问题。

• 参数校准应用：

- 价格动态与波动率模型参数校准为定价提供大背景。
- 门槛参数$L$和$\tilde{L}$反映现实合约限制，模型充分考虑了行权次数和单次行权量限制。

• 收敛性保障：

- 理论给出了误差上界，分解为路径模拟误差和神经网络近似误差两部分。
- 指出神经网络逼近误差是当前研究热点，表明算法具有理论支撑但仍有发展空间。

• 计算效率与实用性：

- 算法采用无梯度的CBO优化，保证全局最优搜索能力。
- 神经网络模型在多轮迭代后能稳定趋于较低训练误差。
- 数值示例符合现实市场波动，说明模型具有较强实际应用前景。[page::4,15-25]

---

5. 风险因素评估

• 模型潜在风险因素：

- 参数估计依赖历史数据质量，天然气价格和储存数据的时间尺度不匹配可能影响模型拟合准确性。
- 路径依赖和非马尔可夫性质增加了模型复杂度，数值算法存在远不如经典模型简洁的计算风险。
- 神经网络逼近存在过拟合、局部最优等风险，需适当正则化和交叉验证。
- 模型对极端市场事件的泛化和外推能力有限，特殊事件可能导致估计失真。

• 缓解措施及讨论：

- 多次分段校准和灵活时间区间选择适应市场变化。
- 利用去季节化及傅里叶变换减少周期性噪音影响。
- 采用CBO算法强化全局参数搜索，降低陷入局部极值风险。
- 深度学习网络训练设置验证集和测试集，避免过拟合。
- 强调对于实际期权定价，应结合专业经验和宏观分析综合判断。[page::3,8,13,14,22,25]

---

6. 审慎视角与细微差别

• 模型假设与现实差异：

- 价格与储存动态被独立建模，但现实中可能同时受到多重交织影响，例如天气、供需冲击。
- 节假日、重大政策变化等非连续事件未直接建模，可能影响价格波动性。
- 储存的边界效应建模较为理想化，实际市场中管理操作和基础设施限制较复杂。

• 路径依赖函数选取与参数选区间限制：

- 移动平均路径依赖形式选用幂核函数，参数$\alpha$范围限定，实际粗糙度测算依赖数据拟合，可能对预测效果有限制。
- 模型对路径依赖距离的惯性和记忆长度假定，对于长周期高频数据的解释力度有限。

• 模型与数值算法内在复杂度：

- 神经网络解决非马尔可夫问题创新性强，但训练参数众多，需精细调节网络结构与优化策略，且训练成本较高。
- 论文多处数学证明需要借助附录及文献，说明理论依赖较大，实际应用需权衡。

• 文本中的模糊点及可能需进一步说明部分：

- 储存动态ODE中$\gamma1, \gamma2$允许为任意实数，现实意义可能受限，且有部分时间段参数为负，模型经济解释需谨慎。
- 期权定价部分深度学习误差估计理论表述复杂，开放课题，实际数值稳定性和泛化能力需实验验证。

---

7. 结论性综合

本论文针对天然气市场价格与储存的复杂互动，提出了创新性的路径依赖随机波动率模型，涵盖了储存动态及其对波动率的调节效应，拓展了经典与粗糙波动率模型。论文结合实际市场数据开展参数校准，定量描述了波动率粗糙度与储存边界效应的市场表现，充分展现了模型的经济合理性和拟合能力。

在期权定价方面，论文聚焦离散时间摆动期权，构建了基于路径依赖价格过程的随机控制框架，创新引入深度神经网络近似条件期望，解决了非马尔可夫和高维路径依赖的数值难题。算法设计细致，结合了理论收敛保证和多样数值实验验证，表现出良好的训练稳定性和价格估计准确性。

综合来看，本文在天然气价格储存动力学及其衍生品定价领域贡献突出，兼具理论创新和实际应用价值。对于后续研究，模型的多因素扩展、动态事件纳入和深度学习算法的高效训练等方向具备广阔前景。

---

附加图表示例

天然气价格与涨跌幅（图1左、右）：


天然气周度储存及其增量（图2左、右）：


储存-波动率交互（图3）：


傅里叶变换拟合储存（图4）：


摆动期权神经网络训练与误差示例（图5）：


---

（全文严格基于报告文本内容分析，所有推断均标注了具体来源页码）

报告