Neural SDE с нуля
1/5Пусть сеть выучит СДУ
Все модели, которые вы видели до сих пор — Блэк-Шоулз, Хестон, SABR — начинаются с уравнения, выбранного человеком. Вы задаёте СДУ, затем подгоняете несколько параметров. Нейронные СДУ меняют подход: пусть нейронная сеть сама выучит уравнение из данных.
Классический процесс таков: человек записывает dS = f(S,t)·dW with a specific f (like σ·S, orσ·Sᵝ или что-то со стохастической волатильностью). Затем вы калибруете 3-5 параметров под рыночные данные.
Рабочий процесс нейронного СДУ таков: дрейф μ(S,t) и диффузия σ(S,t) — это выходы нейронной сети. У сети тысячи параметров (веса и смещения). Вы обучаете её, минимизируя ошибку между модельными ценами и наблюдаемыми ценами опционов.
Классическое моделирование — как выбрать рецепт и настроить температуру духовки. Моделирование нейронным СДУ — как научить повара изобретать рецепт, пробуя тысячи блюд (наблюдаемые цены) и корректируя, пока результат не совпадёт с тем, что подаёт рынок.
Зачем это нужно? Потому что иногда ни одно стандартное семейство моделей не описывает данные достаточно хорошо. Рыночная динамика может иметь особенности — смены режимов, асимметричная кластеризация, зависимость от траектории — которые не под силу ни одной пятипараметрической модели. Нейронное СДУ, в принципе, может аппроксимировать любые непрерывные функции дрейфа и диффузии. Вопрос в том, хватит ли у вас данных и дисциплины, чтобы надёжно его обучить.
Архитектура
Сеть — это стандартная архитектура прямого распространения. Входы — текущее состояние рынка. Выходы — коэффициенты СДУ. Сеть И ЕСТЬ модель.
Входы: спотовая цена S, время t и, опционально, рыночные признаки: текущая подразумеваемая волатильность, наклон скью или форма временной структуры. Чем богаче входные данные, тем больше контекста у сети для того, чтобы решить, какой σ должна быть в этой точке.
Скрытые слои: обычно 2-4 слоя по 32-128 нейронов. Активации ReLU или softplus. Ничего экзотического. Магия не в архитектуре, а в том, что сеть учится представлять.
Выходы: дрейф μ(S,t) и диффузия σ(S,t). Выход диффузии проходит через softplus или экспоненту, чтобы гарантировать положительность. Эти два числа, вычисленные в текущем состоянии, определяют, что делает СДУ в данный момент.
Обучение: генерируйте траектории из нейронного СДУ, используя дискретизацию Эйлера-Маруямы. Оценивайте опционы вдоль этих траекторий методом Монте-Карло. Сравнивайте модельные цены с наблюдаемыми рыночными. Пропускайте ошибку ценообразования обратным распространением через симуляцию траекторий до весов сети. Это дифференцируемое программирование, применённое к стохастическим процессам.
Ключевое техническое наблюдение: весь конвейер — от весов сети через коэффициенты СДУ и симулированные траектории до цен опционов — дифференцируем. Вы можете вычислить градиенты функции потерь по каждому весу в сети. Именно это делает обучение возможным.
Глубокое хеджирование
Когда у вас есть выученное СДУ для динамики цены, естественный следующий шаг — выучить и сам хедж. Глубокое хеджирование использует вторую сеть, которая выдаёт коэффициент хеджирования на каждом шаге и обучается совместно с моделью ценообразования.
Классическое хеджирование вычисляет дельту из модели аналитически: ∂C/∂S в рамках BS, или численным приближением в более сложных моделях. При этом игнорируются транзакционные издержки, влияние на рынок, дискретная ребалансировка и ограничения по ликвидности.
Глубокое хеджирование предлагает: обучите сеть выдавать коэффициент хеджирования δ(S, t, портфель) на каждом шаге. Цель обучения — не минимизация ошибки отслеживания относительно теоретической дельты, а минимизация фактической дисперсии P&L хеджирования (или CVaR, или любой другой меры риска) с учётом транзакционных издержек.
Результат: стратегия хеджирования, учитывающая реальные рыночные трения, которые классическая дельта игнорирует. В бэктестах стратегии глубокого хеджирования часто показывают более низкие реализованные затраты на хеджирование, чем модельная дельта, особенно в случаях:
1. Режимы высоких транзакционных издержек. Сеть учится хеджировать реже, когда издержки высоки, фактически выбирая более широкую зону бездействия.
2. Неликвидные базовые активы. Сеть учится использовать коррелированные ликвидные инструменты как прокси-хеджи, когда прямой хедж обходится дорого.
3. Экзотические инструменты, зависящие от траектории. Там, где простой формулы дельты не существует, сеть всё равно может выучить эффективные хеджи из симулированных траекторий.
Самая мощная версия обучает СДУ ценообразования и хеджирующую сеть одновременно. СДУ выучивает динамику, согласованную с наблюдаемыми ценами, а хеджирующая сеть учится хеджировать при этой динамике. Две сети регуляризуют друг друга: СДУ не может выучить нереалистичную динамику, потому что хеджирующая сеть будет работать плохо, и наоборот.
Что открывает сеть
Когда вы рассматриваете выученную функцию σ(S,t), она часто выглядит как локальная волатильность со стохастическими особенностями. Сеть самостоятельно открывает структуры, на разработку которых люди потратили десятилетия.
Обучите нейронное СДУ на данных опционов на акции или криптоактивы и постройте выученную функцию диффузии σ(S,t) в виде тепловой карты. Типичные наблюдения:
Эффект рычага. Сеть выучивает, что σ(S,t) выше при низком S и ниже при высоком S. Это в точности тот механизм, который Хестон передаёт отрицательной ρ, а CEV — через β < 1. Сеть не знает об этих моделях. Она находит закономерность в данных.
Возврат волатильности к среднему. Выученная σ обычно повышена после недавних крупных движений и возвращается к базовому уровню. Сеть самостоятельно открыла возврат к среднему в стиле CIR, который в Хестоне жёстко задан.
Кластеризация волатильности. Сеть выучивает, что состояния высокой волатильности устойчивы — σ(S,t) остаётся повышенной некоторое время после скачка. Это кластеризация в стиле GARCH, хорошо знакомая практикам, с которой простые модели стохастической волатильности справляются с трудом.
Переключайтесь между тремя паттернами выше. Каждый показывает, что могло бы открыть нейронное СДУ, обученное на разных режимах данных. Суть не в том, что сеть умнее Хестона или SABR. Суть в том, что она приходит к похожим структурам без указания искать их. Это сильное свидетельство того, что эти структуры — реальные свойства данных, а не артефакты семейства моделей.
Обратная сторона: сеть может открыть и ложные закономерности, если данные зашумлены или обучение не дисциплинировано. Большая сеть, обученная на скудных данных, великолепно переобучится — она запомнит шум и назовёт его структурой.
Практические соображения
Нейронные СДУ мощны, но требовательны. Разрыв между научной статьёй и продакшен-системой велик. Оцените затраты, прежде чем браться за дело.
Нажмите «Обучить» выше и наблюдайте, как сходится функция потерь. Обратите внимание на три фазы: быстрое начальное снижение (сеть выучивает общую структуру), более медленная доводка (тонкая настройка крыльев и хвостов) и плато (убывающая отдача, риск переобучения).
Требования к обучающим данным. Вам нужно достаточно данных о ценах опционов, чтобы ограничить многомерную функцию. Для одного базового актива это месяцы или годы ежедневных снимков улыбки волатильности по нескольким экспирациям. Разреженные данные (мало страйков, мало экспираций) приводят к недоопределённым сетям, которые переобучаются.
Риск переобучения. Нейронная сеть с 10 000 параметров может идеально запомнить 10 000 точек данных. Это не значит, что она выучила динамику. Регуляризация (dropout, weight decay, ранняя остановка) обязательна. Валидация на отложенных данных не обсуждается.
Интерпретируемость. Пятипараметрическая модель Хестона рассказывает историю: kappa говорит одно, rho — другое. Нейронное СДУ — чёрный ящик с 10 000 параметров. Вы можете рассмотреть выученную функцию (как на тепловой карте выше), но не можете указать на конкретное число и сказать: «это скорость возврата к среднему». Для трейдинг-деска, которому нужно объяснять свою модель риск-менеджерам, это серьёзный недостаток.
Вычислительные затраты. Обучение требует тысяч прямых проходов через СДУ (траектории Монте-Карло), каждый из которых требует обратного распространения через сеть на каждом шаге. Это на порядки дороже калибровки Хестона или SABR. Инференс (оценка одного опциона обученной моделью) быстрый, но перекалибровка медленная.
Текущее распространение. Нейронные СДУ и глубокое хеджирование используются в исследованиях и квантовыми хедж-фондами с соответствующей инфраструктурой. На десках ванильных опционов они пока не стандарт. Типичная продакшен-конфигурация: классическая модель (Хестон, SABR, SLV) для повседневного ценообразования, а нейронные методы — для отдельных особо ценных задач, где классические модели стабильно не справляются.
Используйте нейронное СДУ, когда: (1) у вас богатые данные, а классическое семейство моделей раз за разом упускает одни и те же закономерности, (2) вы оцениваете экзотические инструменты, для которых нет чистого аналитического решения, или (3) вам нужна стратегия хеджирования, учитывающая реальные рыночные трения. Не используйте его, когда пятипараметрическая модель работает достаточно хорошо — вы добавите сложность, не добавив ценности.
Что изучить дальше:
Модель Хестона — классический бенчмарк стохастической волатильности
Стохастическая локальная волатильность — калибровка продакшен-уровня с реалистичной динамикой
Rough Bergomi — дробная стохастическая волатильность, передний край до нейронных методов