B 样条技术用于波动率建模
运用数据驱动方法,通过神经网络对杠杆函数建模,对局部随机波动模型进行校准,利用对冲技术和深度对冲技术进行方差降低,从而精确地计算模型价格和模型隐含波动率。
May, 2020
本文介绍了如何校准广泛使用的 SVI 暗含波动率面的参数化,以确保不存在静态套利机会,并展示了具有简单闭合形式表示的大类无套利 SVI 波动率面。我们使用最近的 SPX 期权数据的数值例子展示了典型 SVI 适配的高质量。
Apr, 2012
本研究采用深度多智能体强化学习方法在随机过程空间中搜索连续时间扩散模型来适应市场价格,实现本研究所解决的问题,结果表明:我们能够学习局部波动率,并且在波动率过程中学习路径依赖性以最小化百慕大期权的价格。
Mar, 2022
我们提出了一种方法来改善物理系统的可观测响应的代理模型的准确性,方法是将系统的空间异质参数场作为高维问题中不确定性量化和参数估计的函数。
Jul, 2023
本文提出了一种非参数函数估计的新类先验分布,使用加权和和生成函数来控制本地和全局特征,并使用 Lévy 随机场和它们的随机积分来诱导未知的函数或使用所述参数控制的核的数量的先验分布,并使用可逆跳跃马尔可夫蒙特卡罗算法进行反向推断。
Dec, 2011
本文报道基于 B 样条的变形模型及观测模型,用于计算机视觉任务中亚像素边缘的提取,相较于传统的样条插值方法,在高斯噪声和椒盐噪声下具有更好的性能。
Mar, 2016
我们提出了一种新的非线性函数回归方法,称为映射到参数函数模型,通过使用任何监督学习技术解决参数空间中的复杂和非线性函数回归问题。该模型的核心是将函数数据从无限维函数空间映射到有限维参数空间,通过使用任意阶的 B 样条基函数以及由迭代局部放置算法确定的结节分布,同时逼近多个函数。与传统的等距结节放置策略不同,我们提出的算法根据输入或输出函数的局部复杂度确定结节位置。通过多个真实数据应用与四组最先进方法进行比较,我们展示了我们的结节放置算法在单函数逼近和多函数逼近环境中的稳健性以及所提出的预测模型在处理函数对标量回归和函数对函数回归问题中的有效性和优势。
Jan, 2024
本文提出基于 KS 统计测试的无 binning 校准方法,使用样条逼近累积分布函数进行重新校准神经网络的输出结果,并在多个图像分类数据集上的实验结果表明,该方法优于现有的校准方法。
Jun, 2020
本文提出了一种基于薄板样条的场估计方法,该方法通过基础扩展模型来实现权重,该模型包含基础函数,这些基础函数是利用从场的噪声样本估算出的通用函数加权的。本文的创新之处在于引入了一种稀疏感知的基于样条的方法,为每个基础函数的薄板样条展开系数提供了一个组 Lasso 估计器。这种新型的基于样条的方法受频谱制图应用的启发,其中一组感知认知无线电协作以估计空间和频率中 RF 功率的分布,模拟测试论证了估计的功率谱密度地图能够提供所需的 RF 状态感知,因为这些地图展示了可以重用空闲频带进行传输的空间位置,即使衰落和阴影效应很明显。
Oct, 2010