Inverse Learning of Latent Risk-Neutral Densities from Irregular Option Quotes
创建于 更新于
摘要
本文区分了可观测价格与潜在风险中性密度的重构，强调价格相符并不等价于密度的真实恢复。[page::1] 通过受控模拟密度真值评估与 chronical NIFTY 的实际测试，结果显示两组件的对数正态混合在合成基准的价格、L1、W1等指标上具有最低误差，而学习算子在尾部量化、分位点和方差等函数性上表现出局部优势。[page::1] 数值条件分析表明，在强制质量和前向矩条件后，很多密度在观测区间之外为数值不可辨，且不同密度在覆盖区间的价格可达到机器精度的一致，因而需要显式或隐式的结构先验来实现辨识；在真实的 NIFTY 数据中，测试时的自适应显著提升深度ONet 的 RMSE，但按 expiry 的传统拟合仍然更准确。[page::1] 总体结论是不存在普适的学习器或经典法，结果取决于目标与先验假设，且应清晰标注 supervision、分布假设与下游函数。[page::1]
