DeepSVM: Learning Stochastic Volatility Models with Physics-Informed Deep Operator Networks
创建于 更新于
摘要
本文提出 DeepSVM——基于物理约束的 DeepONet 操作子学习框架，用以近实时标定与定价 Heston 随机波动率模型。采用 hard-constrained ansatz 强制终端支付与无套利约束，并结合 Residual-based Adaptive Refinement（RAR）稳定训练，最终训练损失降至 O(10^{-5})，定价精度在大部分域内与半解析基准一致，但在 ATM 区间可导量（Delta、Gamma）出现高频噪声，指出需要对导数级别进行 Sobolev 正则化以获得工业级对冲参数 [page::0][page::3][page::4][page::6].
