Нейронное СДУ / глубокое хеджирование
Каждая модель на этом сайте — SABR, SVI, Heston — начинается с выбора формулы с последующей подгонкой её параметров к данным. Нейронное СДУ переворачивает этот подход: оно использует нейросеть, чтобы выучить саму формулу напрямую из рыночных данных. Сеть находит функции сноса и диффузии, которые лучше всего объясняют наблюдаемые цены, а поверхность волатильности получается как побочный результат.
Сеть обучается уравнению
Классические модели говорят «волатильность следует этому уравнению» и подгоняют параметры. Нейронное СДУ говорит «волатильность следует некоторому уравнению», а сеть сама выясняет, какому именно. Поверхность подразумеваемой волатильности является выходом обученной модели, а не заранее заданной формой.
Посмотрите в действии
Сравните, как классический, параметрический и нейронный подходы обрабатывают одни и те же рыночные данные в разных условиях.
Нейронное SDE против классических моделей
Переключайте сценарии, чтобы увидеть, как каждый подход работает в разных рыночных условиях. В стрессовых режимах и при нехватке данных нейронное SDE адаптируется там, где параметрические модели ограничены заданной формой.
Как это работает
1. Обучаемся динамике, а не форме
Стандартное СДУ для цены и волатильности выглядит так: dS = ... dt + ... dW. Классические модели заполняют «...» конкретными формулами (SABR использует CEV со стохастической волатильностью волатильности). Нейронное СДУ заменяет эти формулы нейросетями, обученными на исторических данных. Сеть с нуля учится и среднему поведению (сносу), и случайности (диффузии). Она способна обнаруживать паттерны скью и формы временной структуры, которые параметрические модели не в состоянии предвидеть.
2. Глубокое хеджирование: обучаемся хеджу, а не только цене
Глубокое хеджирование (Buehler, Gonon, Teichmann & Wood, 2019) развивает эту идею. Вместо того чтобы оценивать опцион, а затем вычислять коэффициент хеджирования по модели, вы обучаете сеть напрямую выдавать оптимальную позицию хеджа на каждом временном шаге. Сеть совместно обучается экспозициям по дельте и веге. Цель обучения: минимизировать дисперсию P&L хеджирования в реальных рыночных условиях — включая транзакционные издержки, спреды бид-аск, дискретную ребалансировку и ограничения ликвидности. Никаких допущений о рынке без трений не требуется.
3. Поверхность волатильности возникает сама
После обучения нейронного СДУ вы можете сгенерировать поверхность подразумеваемой волатильности, оценивая ванильные опционы через обученную модель. Итоговая поверхность не ограничена какой-либо параметрической формой — она отражает любые паттерны, присутствующие в данных, включая те, которые SVI или SABR структурно пропустили бы. Области ATM и OTM подгоняются одновременно.
Ловит динамику, которую пропускают параметрические модели
Нейронные СДУ улавливают динамику волатильности, недоступную параметрическим моделям: смены режимов, эффекты зависимости от траектории и межактивные перетоки. Глубокое хеджирование учитывает издержки, которые классическое дельта-хеджирование игнорирует. Требовательны к данным и вычислительно затратны, но именно туда движется квантовые финансы.
Сильные стороны и ограничения
Актуальность для крипты
Крипторынки — естественная область применения нейронных СДУ, поскольку динамика волатильности здесь плохо изучена и быстро меняется. Нет единого мнения о том, что лучше моделирует волатильность BTC — SABR, Heston, грубая волатильность или нечто совершенно иное. Нейронное СДУ обходит эти споры, обучаясь той динамике, что содержится в данных, — включая паттерны, нарушающие модель Блэка-Шоулза, вроде смены режимов. Главное препятствие — данные: рынки криптоопционов молоды, а обучающая выборка мала по сравнению с рынками акций или ставок.
Обученные модели, обученные хеджи
Нейронные СДУ заменяют вручную подобранные модели волатильности обученными. Глубокое хеджирование заменяет теоретические коэффициенты хеджирования такими, что учитывают трения. Компромисс: интерпретируемость, требования к данным и вычислительные затраты. Пока это исследовательские инструменты, но именно они определяют передний край.
Исследователь уравнений
Переводите между подразумеваемой волатильностью, полной дисперсией, лог-монейностью и ценами опционов.
Исследователь формул
💡 Совет: Попробуйте ответить на каждый вопрос самостоятельно, прежде чем открывать ответ.
Формируем математическую интуицию
Изучите нейронные СДУ с нуляИнтерактивный урок · без предварительных знанийЭтот урок объясняет идею «обучиться уравнению» простыми словами, а затем разбирает, как сеть выучивает функции сноса и диффузии и где во всей этой картине находится глубокое хеджирование.
См. также:
- Модель SABR — классическая модель стохастической волатильности с интерпретируемыми параметрами
- Модель Heston — возвращающаяся к среднему стохастическая волатильность с ценообразованием в замкнутой форме
- SANOS (непараметрические поверхности) — непараметрическая подгонка с гарантированным отсутствием арбитража
- Волатильность с зависимостью от траектории — ещё один подход на основе данных, использующий историю ценовой траектории
- Rough Bergomi — модель дробной волатильности, которую нейронные СДУ потенциально способны заменить