神经校准不够用？新框架直接学参数后验分布，奇异期权定价误差可能大到你不敢信！
Uncertainty and Explainability in Deep Rough Volatility: A Neural Information-Theoretic Posterior Approach
📖 AI 总结
本文针对粗糙Heston（rHeston）模型的校准问题，提出了一套基于模拟推断的框架，旨在弥补神经网络点校准无法刻画隐含波动率曲面观测后残余不确定性的不足。作者采用神经比率估计学习模型参数在给定IV曲面条件下的后验分布，并将后验样本通过异方差神经代理定价器传播至路径依赖型奇异期权，从而得到融合参数不确定性与代理模型不确定性的后验预测价格区间。在可解释性方面，文章提出Hellinger-SHAP方法，将局部背景Kernel SHAP应用于衡量先验到后验收缩程度的后验信息泛函，识别出对各个rHeston参数后验信息增益贡献显著的期限—行权价区域。模拟研究表明，后验预测区间在前瞻起始、障碍及已实现方差类合约上具有校准或保守的覆盖率，而点代入式定价在部分合约情形下可能严重失真。该工作为不确定性感知的神经校准与奇异期权定价提供了兼具可解释性的透明框架。
🔑 关键词速览
| 粗糙Heston (rHeston) | 一种随机波动率模型，其中波动率过程由粗糙分数布朗运动驱动，能更好地捕捉隐含波动率曲面的短期行为。 |
| 神经比率估计 (Neural Ratio Estimation) | 一种基于模拟的推断方法，通过神经网络学习似然比或后验密度比，从而无需显式似然函数即可获得后验样本。 |
| 后验预测分布 (Posterior Predictive Distribution) | 在贝叶斯框架下，将参数后验不确定性传播到未来观测或衍生品价格的预测分布。 |
| Hellinger-SHAP | 一种信息论可解释性方法，将SHAP值应用于后验信息泛函，以识别输入区域对后验信息增益的贡献。 |
| 异方差神经代理定价器 (Heteroscedastic Neural Surrogate Pricer) | 一种神经网络代理模型，不仅预测期权价格，还预测与输入相关的方差（异方差），用于量化代理模型的不确定性。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅