Neural SDE / Deep Hedging
Mọi mô hình trên trang này -- SABR, SVI, Heston -- đều bắt đầu bằng cách chọn một công thức rồi khớp các tham số của nó với dữ liệu. Neural SDE đảo ngược điều này: nó dùng một mạng nơ-ron để học chính công thức đó trực tiếp từ dữ liệu thị trường. Mạng khám phá các hàm drift và diffusion giải thích tốt nhất các giá quan sát được, và bề mặt biến động sinh ra như một sản phẩm phụ.
Mạng học phương trình
Các mô hình cổ điển nói rằng "biến động tuân theo phương trình này" và khớp các tham số. Neural SDE nói rằng "biến động tuân theo một phương trình nào đó" và mạng tự tìm ra nó là gì. Bề mặt biến động ngụ ý là một đầu ra của mô hình đã học, không phải một hình dạng được giả định trước.
Xem Thực Tế
So sánh cách các phương pháp cổ điển, tham số và nơ-ron xử lý cùng một dữ liệu thị trường trong các điều kiện khác nhau.
Neural SDE so với các mô hình cổ điển
Chuyển đổi các kịch bản để xem mỗi phương pháp xử lý các điều kiện thị trường khác nhau như thế nào. Trong các chế độ căng thẳng và dữ liệu thưa, Neural SDE thích ứng linh hoạt trong khi các mô hình tham số bị giới hạn bởi hình dạng giả định.
Cách Hoạt Động
1. Học các động lực, không phải hình dạng
Một SDE tiêu chuẩn cho giá và biến động trông như: dS = ... dt + ... dW. Các mô hình cổ điển điền vào phần "..." bằng các công thức cụ thể (SABR dùng CEV với vol-of-vol ngẫu nhiên). Neural SDE thay thế các công thức đó bằng các mạng nơ-ron được huấn luyện trên dữ liệu lịch sử. Mạng học cả hành vi trung bình (drift) lẫn tính ngẫu nhiên (diffusion) từ đầu. Nó có thể khám phá các mẫu skew và các hình dạng cấu trúc kỳ hạn mà các mô hình tham số không thể lường trước.
2. Deep Hedging: học phần phòng hộ, không chỉ giá
Deep Hedging (Buehler, Gonon, Teichmann & Wood, 2019) mở rộng ý tưởng này. Thay vì định giá một quyền chọn rồi tính tỷ lệ phòng hộ từ một mô hình, bạn huấn luyện một mạng để trực tiếp xuất ra vị thế phòng hộ tối ưu tại mỗi bước thời gian. Mạng học các mức độ phơi nhiễm delta và vega một cách đồng thời. Mục tiêu huấn luyện: tối thiểu hóa phương sai P&L phòng hộ dưới các điều kiện thị trường thực tế -- bao gồm chi phí giao dịch, spread giá mua/giá bán, tái cân bằng rời rạc và các ràng buộc thanh khoản. Không cần giả định thị trường không ma sát.
3. Bề mặt biến động xuất hiện
Một khi Neural SDE được huấn luyện, bạn có thể sinh ra bề mặt biến động ngụ ý bằng cách định giá các quyền chọn vanilla thông qua mô hình đã học. Bề mặt kết quả không bị ràng buộc vào bất kỳ hình dạng tham số nào -- nó nắm bắt bất kỳ mẫu nào tồn tại trong dữ liệu, bao gồm những mẫu mà SVI hay SABR sẽ bỏ lỡ về mặt cấu trúc. Cả vùng ATM lẫn OTM đều được khớp đồng thời.
Nắm bắt các động lực mà mô hình tham số bỏ lỡ
Neural SDE nắm bắt các động lực biến động mà các mô hình tham số không thể: chuyển đổi chế độ, các hiệu ứng phụ thuộc đường đi và các lan tỏa xuyên tài sản. Deep Hedging tính đến các chi phí mà phòng hộ delta cổ điển bỏ qua. Đòi hỏi nhiều dữ liệu và tốn kém về mặt tính toán, nhưng đây là hướng mà tài chính định lượng đang đi tới.
Điểm Mạnh và Hạn Chế
Sự Liên Quan Đến Crypto
Thị trường crypto phù hợp một cách tự nhiên với Neural SDE vì các động lực biến động được hiểu chưa rõ và thay đổi nhanh chóng. Không có sự đồng thuận về việc liệu biến động BTC được mô hình hóa tốt hơn bằng SABR, Heston, rough vol, hay một thứ hoàn toàn khác. Neural SDE né tránh cuộc tranh luận này bằng cách học bất kỳ động lực nào mà dữ liệu chứa đựng -- bao gồm các mẫu vi phạm Black-Scholes như chuyển đổi chế độ. Trở ngại chính là dữ liệu: thị trường quyền chọn crypto còn non trẻ và bộ dữ liệu huấn luyện nhỏ so với cổ phiếu hay lãi suất.
Mô hình đã học, phòng hộ đã học
Neural SDE thay thế các mô hình biến động được chọn thủ công bằng các mô hình đã học. Deep Hedging thay thế các tỷ lệ phòng hộ lý thuyết bằng các tỷ lệ có tính đến ma sát. Sự đánh đổi: khả năng diễn giải, yêu cầu dữ liệu và chi phí tính toán. Hiện tại là các công cụ nghiên cứu -- nhưng chúng định hình biên giới.
Trình Khám Phá Phương Trình
Chuyển đổi giữa biến động ngụ ý, tổng phương sai, log-moneyness và giá quyền chọn.
Trình khám phá phương trình
💡 Mẹo: Hãy thử trả lời từng câu hỏi trước khi xem đáp án.
Xây dựng trực giác toán học
Học Neural SDE từ đầuBài học tương tác · không cần kiến thức nềnBài học này giải thích ý tưởng "học phương trình" bằng tiếng Anh đơn giản, sau đó hướng dẫn cách mạng học các hàm drift và diffusion và deep hedging phù hợp ở đâu trong bức tranh.
Xem thêm:
- Mô hình SABR -- Mô hình biến động ngẫu nhiên cổ điển với các tham số có thể diễn giải
- Mô hình Heston -- Biến động ngẫu nhiên hồi quy về trung bình với định giá dạng đóng
- SANOS (Bề mặt Phi Tham Số) -- Khớp phi tham số với đảm bảo không có arbitrage
- Biến Động Phụ Thuộc Đường Đi -- Một phương pháp dựa trên dữ liệu khác sử dụng lịch sử đường giá
- Rough Bergomi -- Mô hình biến động phân số mà Neural SDE có thể thay thế