Нейронные SDE / Deep Hedging
Каждая модель на этом сайте, будь то SABR, SVI или Heston, начинается с выбора формулы, после чего её параметры калибруются по данным. Нейронное SDE (Neural SDE) переворачивает этот подход: нейросеть сама выводит формулу непосредственно из рыночных данных. Сеть находит функции сноса и диффузии, которые лучше всего объясняют наблюдаемые цены, а поверхность волатильности получается как побочный результат.
Сеть выводит уравнение
Классические модели утверждают: «волатильность подчиняется вот этому уравнению», и подбирают параметры. Нейронное SDE исходит из того, что волатильность подчиняется какому-то уравнению, а сеть сама определяет, какому именно. Поверхность подразумеваемой волатильности здесь является результатом обученной модели, а не формой, заданной заранее.
Как это работает на практике
Сравните, как классический, параметрический и нейросетевой подходы обрабатывают одни и те же рыночные данные в разных условиях.
Нейронное SDE против классических моделей
Переключайте сценарии, чтобы увидеть, как каждый подход работает в разных рыночных условиях. В стрессовых режимах и при нехватке данных нейронное SDE адаптируется там, где параметрические модели ограничены заданной формой.
Принцип работы
1. Обучение динамике, а не форме
Стандартное SDE для цены и волатильности выглядит так: dS = ... dt + ... dW. Классические модели подставляют на место «...» конкретные формулы (SABR использует CEV со стохастической волатильностью волатильности). Нейронное SDE заменяет эти формулы нейросетями, обученными на исторических данных. Сеть с нуля выводит как среднее поведение (снос), так и случайную составляющую (диффузию). Она способна обнаружить паттерны скью и формы временной структуры, которые параметрические модели предусмотреть не могут.
2. Deep Hedging: обучение хеджу, а не только цене
Deep Hedging (Buehler, Gonon, Teichmann & Wood, 2019) развивает эту идею. Вместо того чтобы оценить опцион и затем вычислить коэффициент хеджирования из модели, сеть обучают напрямую выдавать оптимальную хеджирующую позицию на каждом шаге. Сеть совместно учитывает экспозицию по дельте и веге. Целевая функция обучения: минимизировать дисперсию P&L хеджа в реальных рыночных условиях, с учётом транзакционных издержек, спреда бид/аск, дискретной ребалансировки и ограничений ликвидности. Допущения о рынке без трений не требуются.
3. Поверхность волатильности возникает сама
После обучения нейронного SDE поверхность подразумеваемой волатильности можно построить, оценивая ванильные опционы через обученную модель. Полученная поверхность не ограничена никакой параметрической формой: она отражает любые закономерности, присутствующие в данных, в том числе те, которые SVI или SABR упускают в силу своей структуры. Области ATM и OTM калибруются одновременно.
Улавливает динамику, недоступную параметрическим моделям
Нейронные SDE улавливают динамику волатильности, которую параметрические модели передать не могут: смену режимов, эффекты зависимости от траектории и перетоки между активами. Deep Hedging учитывает издержки, которые классическое дельта-хеджирование игнорирует. Подход требует много данных и вычислительных ресурсов, но именно в эту сторону движутся количественные финансы.
Сильные стороны и ограничения
Применимость к криптовалютам
Криптовалютные рынки хорошо подходят для нейронных SDE, поскольку динамика волатильности на них плохо изучена и быстро меняется. Нет консенсуса, чем лучше моделировать волатильность BTC: SABR, Heston, грубой волатильностью (rough vol) или чем-то совсем иным. Нейронное SDE обходит этот спор, выводя ту динамику, которая содержится в данных, включая паттерны, нарушающие допущения Black-Scholes, например смену режимов. Главное препятствие в данных: рынки криптоопционов молоды, и обучающая выборка мала по сравнению с рынками акций или процентных ставок.
Обученные модели, обученные хеджи
Нейронные SDE заменяют выбранные вручную модели волатильности обученными. Deep Hedging заменяет теоретические коэффициенты хеджирования коэффициентами с учётом трений. Цена этого: интерпретируемость, требования к данным и вычислительные затраты. Пока это исследовательские инструменты, но именно они определяют передний край.
Обозреватель уравнений
Переводите между подразумеваемой волатильностью, совокупной дисперсией, лог-монейностью и ценами опционов.
Исследователь формул
💡 Совет: Попробуйте ответить на каждый вопрос самостоятельно, прежде чем открывать ответ.
Математическая интуиция
Изучите нейронные SDE с нуляИнтерактивный урок · без предварительных знанийЭтот урок простым языком объясняет идею «вывести уравнение из данных», а затем показывает, как сеть обучается функциям сноса и диффузии и какое место в этой картине занимает Deep Hedging.
См. также:
- Модель SABR: классическая модель стохастической волатильности с интерпретируемыми параметрами
- Модель Heston: стохастическая волатильность с возвратом к среднему и оценкой в замкнутой форме
- SANOS (непараметрические поверхности): непараметрическая калибровка с гарантированным отсутствием арбитража
- Волатильность, зависящая от траектории: ещё один подход на основе данных, использующий историю ценовой траектории
- Rough Bergomi: модель дробной волатильности, которую нейронные SDE потенциально могут заменить