通过卷积神经网络和 Monte Carlo 模拟，采用数据驱动的方法解决了最优停机问题，并在金融期权问题上取得了比基于最小二乘 Monte Carlo 算法更为精确的结果。

Jul, 2022

本文介绍使用Tensor Neural Networks模型来有效解决利率衍生品Cheyette模型中Bermudan Swaption价格低估的问题，并证明该模型能够提供比传统密集神经网络（Dense Neural Networks）更快的训练速度和更准确的价格估计。

Apr, 2023

使用神经网络及其他机器学习技术可以用历史数据更准确地估算欧式期权价格，其中Google Cloud的AutoML Regressor、TensorFlow神经网络和XGBoost梯度提升决策树的效果均超过了传统的Black Scholes模型。

Jul, 2023

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

提出了一种基于门控循环单元(GRU)和自注意机制的机器学习方法，用于预测SPY(ETF)期权的价格。通过对原始数据集进行分割，研究了无风险利率和基础波动率对期权定价的影响。构建了四种不同的机器学习模型，并发现具有历史数据的自注意GRU模型表现优越。利用SHapley Additive exPlanations (SHAP)方法揭示了不同输入特征对美式期权定价的重要性和贡献。

Oct, 2023

该论文介绍了金融差分机器学习算法的创新概念，通过严谨的数学框架探讨了理论假设对机器学习算法构建的重要影响，从而构建了面向金融模型的数据驱动模型。

May, 2024

该研究通过深度强化学习（DRL）对美式期权进行对冲，调查了超参数对对冲表现的影响，并强调避免特定组合的重要性。另外，该研究引入了一种新方法，在每周时间间隔内使用新的校准随机波动率模型训练DRL代理，结果显示相较于仅在交易日期训练的代理，使用每周市场数据重新训练的DRL代理性能更好。此外，论文还证明在交易成本为1％和3％时，单次训练和每周训练的DRL代理都优于Black-Scholes Delta方法，这对实践具有重要意义。

May, 2024

本文提出使用机器学习算法和超级预测者的预测来增强投资决策的价格预测模型。通过构建五个机器学习模型，包括双向LSTM、ARIMA、CNN和LSTM的组合、GRU，以及使用LSTM和GRU算法构建的模型，利用平均绝对误差评估这些模型的预测准确性。此外，研究建议通过识别超级预测者并跟踪其预测来预测股价的不可预测的变化，从而进一步提高机器学习和自然语言处理技术的股价预测准确性。

Jul, 2024

本研究解决了期权交易策略中依赖传统市场动态和定价模型假设的不足。论文提出了一种新颖的深度学习模型，可以直接从市场数据中学习最优交易信号，展现出相较于现有基于规则的策略在风险调整表现上的显著提升。研究结果表明，模型中引入的周转率正则化在高交易成本下也能进一步提高绩效。

Jul, 2024

本研究解决了美国期权定价中的关键问题，特别是在数据稀缺情况下的定价准确性。通过整合非线性优化算法、分析和数值模型以及神经网络，提出了一种创新的框架，该框架使用迁移学习和跳跃扩散过程取得了优越的定价效果。实验结果表明，该模型在深度虚值期权的定价上表现出色。

Sep, 2024