Solving The Dynamic Volatility Fitting Problem: A Deep Reinforcement Learning Approach
创建于 更新于
摘要
本报告提出利用深度强化学习（DRL）方法解决股权衍生品中的动态波动率拟合问题，突破传统确定性算法的局限。通过构建连续状态和动作空间的强化学习框架，采用DDPG和SAC算法训练智能体，实现对市场波动率曲面参数的自适应调整。实验基于静态、序列和拟动态市场情景，结果显示DRL方法与传统优化器拟合效果相当甚至更优，且具有更好的在线学习和动态适应能力。该方法为复杂非线性市场环境下的波动率拟合提供了新的视角与技术路径[page::0][page::1][page::5][page::8][page::14]。
