Shallow Representation of Option Implied Information
创建于 更新于
摘要
本论文从密度—波动率对偶角度出发，把隐含波动率视为将 Black–Scholes 准密度逐点校正为真实风险中性密度的“corrector”，推导出显式的修正项并据此给出对无静态套利的充要条件；在此理论框架下，作者构建了可微分的神经表示并通过广泛合成数据实验发现：因约束与网络导数的非线性，网络加深或放宽并不必然带来更好效果，而是一个浅层单隐层网络（搭配合适激活与宽度）即可高效逼近隐含波动率与隐含密度，并能在训练中排除静态套利 [page::0][page::3][page::17]
