Apr, 2019

一个基于神经网络的金融模型校准框架

PDF
TL;DR提出了一种数据驱动的方法 CaNN （Calibration Neural Network），用于使用神经网络（ANN）校准金融资产价格模型。该机器学习框架可以有效和准确地校准高维随机波动模型的参数。
calibrationfinancial asset price modelsneural networkmachine-learningstochastic volatility models
发现论文，激发创造
  • 神经网络的无模型本地校准

    我们提出了一种使用人工神经网络隐藏层提供的输入的降维表示进行局部重新校准的人工神经网络预测分布方法，通过仿真研究证明了我们的方法相对于其他方法具有良好的性能，并探索了基于网络的不同层进行校准定位的益处。最后，我们将我们提出的方法应用于钻石价格预测问题，证明了我们的方法在现实世界应用中提高预测和不确定性量化的潜力。

    Mar, 2024

  • 面向金融的参数化神经网络

    提出一种神经网络架构，它可以学习一组不同数据样本的模型类，从而减少过拟合问题，应用到资产管理中的传统问题 —— 扩散曲线校准问题，并解决了环境、社会及公司治理评级对债券利差的影响问题。

    Apr, 2023

  • ANN 的免费午餐：朝着高效、准确的脉冲神经网络校准迈进

    本文提出了一种称为 SNN Calibration 的校准算法，通过对神经网络参数的校准，能够显著提高将 ANN 转换为 SNN 的结果，本算法引入了一个便宜而有效的方法，通过在少量训练数据上进行训练，并在几分钟内完成校准。详细实验结果表明，该算法在大规模的 ImageNet 数据集上能够产生先进的 SNN 体系结构，并且与基准相比，在 MobileNet 转换中能够提高达 69％的 top-1 准确性。

    Jun, 2021

  • 利用神经密度估计器和嵌入网络进行市场模拟的深度校准

    构建金融交易仿真器的能力，包括重现限价委托簿的动态，能够对许多反事实情景提供洞见，如闪崩、追加保证金或宏观经济前景的变化。近年来，已开发了能够重现交易所许多特征的基于代理的模型，由一组简化事实和统计数据总结。然而，将仿真器校准到特定的交易期间仍然是一个待解决的挑战。在本文中，我们借鉴深度学习的最新进展，特别是使用神经密度估计器和嵌入网络，提出了一种新的市场仿真器校准方法。我们证明了我们的方法能够正确识别高概率参数集，无论是应用于合成数据还是历史数据，而无需依赖手动选择或加权的简化事实集合。

    Nov, 2023

  • 证明人工神经网络克服了在数值逼近 Black-Scholes 偏微分方程中的维度灾难

    本文揭示了人工神经网络可用于数值逼近 Black-Scholes PDEs 的实际应用，并证明了它能够在高维函数逼近中克服 “维度灾难”。

    Sep, 2018

  • 应用深度学习校准随机波动率模型

    基于深度学习技术的差分深度学习（DDL）方法应用于 Heston 模型下的欧式期权定价与标定，DDL 技术通过快速训练和准确的定价显著减少了 Heston 模型的标定计算时间，并表现优于传统深度学习方法。

    Sep, 2023

  • 一种基于生成对抗网络的局部随机波动率模型校准方法

    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

  • 复数神经网络综述

    本文综述了近期在文献中对 CVNNs 的各种工作，并详细研究了各种 CVNNs 的激活功能、学习与优化、输入和输出表示，以及在信号处理和计算机视觉等任务中的应用，同时探讨了一些挑战和未来研究方向。

    Jan, 2021

  • 期权定价的机器学习：对网络架构的实证研究

    本文考虑了通过监督学习来学习期权价格或隐含波动率的问题，并发现在所选择的网络体系结构方面使用广义高速公路网络的精度比其它变体高，对于计算隐含波动率，采用变换后的 DGM 架构是最优的。

    Jul, 2023

  • 校准感知贝叶斯学习

    本文提出了一种称为校准感知贝叶斯神经网络（CA-BNN）的综合框架，该框架应用了数据独立正则化和数据相关正则化以优化贝叶斯学习中的变分分布，在期望校准误差（ECE）和可靠性图中验证了该方法的优越性。

    May, 2023