隱含波動率
使用深度學習進行校準和定價的理論和實踐缺陷
我正在研究使用深度學習對完整隱含波動率表面進行定價和校準的適用性。它們的應用範例在此處和此處的論文中。在範例中，後者僅在幾毫秒內就完成了校準任務，這比數值近似和蒙特卡羅方法快了幾個數量級。
但是，我想知道在這項任務中使用深度學習有哪些缺點，以及是否有任何論文或研究突出了這個問題。後一篇論文在訓練期間引用了“繁瑣的計算”，但我想知道是否存在關於 DL 網路架構的任何缺點？
問題的本質是機器學習中的“偏差-變異數”問題。您可以在 wiki 上查找（或查找數十篇論文；這是一個著名的問題）。
您可以以越來越複雜的方式創建一個能夠更好地解釋歷史的模型。但是它用來執行此操作的“捷徑”可能會犧牲其預測新數據和看不見的數據的能力。該模型應該更加不確定，並且更加準備好允許歷史錯誤以防止過度自信並減少未來錯誤的機會。
與困擾金融業數十年的臭名昭著的“一旦結構化產品上線，回測就停止工作”問題相比，這是同樣的問題，但只是使用了更新的技術。模型沒有“優化”；它們是“過度優化的”（對於過去，因此對於未來的優化不足）。
如果淺層學習不能解決問題，不代表問題可以解決。應用越來越深入的學習，直到您可以解決樣本中的問題，這只是超複雜的作弊。而且給你發紅包的老闆反正也不懂這個型號，只要產品賣得好，你們倆還是能拿到錢的。
儘管直言不諱，但這比爭論這個或那個模型的超參數要大得多。兩者都會折磨數據，迫使它“承認”噪音是信號，如果你想讓它們……
希望這會有所幫助，DEM
深度學習的缺點在於它可能需要很長時間來訓練。在應用中，如果市場條件發生變化，您可以隨時使用尚未發生的未來市場數據輸入您的模型以獲得優勢。經過濾證明 $ F_{t} $ .