Neural SDE / Deep Hedging
Bu sitedeki her model, SABR, SVI, Heston, işe bir formül seçerek başlar ve ardından parametrelerini veriye uydurur. Neural SDE bunu tersine çevirir: formülün kendisini doğrudan piyasa verisinden öğrenmek için bir sinir ağı kullanır. Ağ, gözlemlenen fiyatları en iyi açıklayan drift ve difüzyon fonksiyonlarını keşfeder ve oynaklık yüzeyi bunun bir yan ürünü olarak ortaya çıkar.
Ağ denklemi öğrenir
Klasik modeller 'oynaklık bu denklemi izler' der ve parametreleri uydurur. Neural SDE ise 'oynaklık bir denklemi izler' der ve bunun ne olduğunu ağ bulur. Zımni oynaklık yüzeyi, önceden varsayılan bir şekil değil, öğrenilen modelin bir çıktısıdır.
Uygulamada Görün
Klasik, parametrik ve sinir ağı tabanlı yaklaşımların aynı piyasa verisini farklı koşullar altında nasıl ele aldığını karşılaştırın.
Nöral SDE vs. Klasik Modeller
Her yaklaşımın farklı piyasa koşullarını nasıl ele aldığını görmek için senaryolar arasında geçiş yapın. Stres ve seyrek veri rejimlerinde, parametrik modeller varsaydıkları şekille sınırlıyken nöral SDE uyum sağlar.
Nasıl Çalışır
1. Şekli değil, dinamikleri öğrenin
Fiyat ve oynaklık için standart bir SDE şöyle görünür: dS = ... dt + ... dW. Klasik modeller '...' kısımlarını belirli formüllerle doldurur (SABR, stokastik oynaklığın oynaklığı ile CEV kullanır). Neural SDE bu formüllerin yerine geçmiş veri üzerinde eğitilmiş sinir ağlarını koyar. Ağ hem ortalama davranışı (drift) hem de rastlantısallığı (difüzyon) sıfırdan öğrenir. Parametrik modellerin öngöremeyeceği skew örüntülerini ve vade yapısı şekillerini keşfedebilir.
2. Deep Hedging: sadece fiyatı değil, hedge'i öğrenin
Deep Hedging (Buehler, Gonon, Teichmann & Wood, 2019) bu fikri genişletir. Bir opsiyonu fiyatlayıp ardından bir modelden hedge oranı hesaplamak yerine, her zaman adımında optimal hedge pozisyonunu doğrudan üretecek bir ağ eğitirsiniz. Ağ, delta ve vega maruziyetlerini birlikte öğrenir. Eğitim hedefi: işlem maliyetleri, alış-satış spread'leri, ayrık yeniden dengeleme ve likidite kısıtları dahil olmak üzere gerçek piyasa koşulları altında hedge K/Z varyansını en aza indirmek. Sürtünmesiz piyasa varsayımlarına gerek yoktur.
3. Oynaklık yüzeyi kendiliğinden ortaya çıkar
Neural SDE eğitildikten sonra, vanilla opsiyonları öğrenilen model üzerinden fiyatlayarak zımni oynaklık yüzeyini üretebilirsiniz. Ortaya çıkan yüzey herhangi bir parametrik şekille sınırlı değildir; SVI veya SABR modellerinin yapısal olarak kaçıracağı örüntüler dahil, veride bulunan her örüntüyü yakalar. Hem ATM hem de OTM bölgeleri eş zamanlı olarak uydurulur.
Parametrik modellerin kaçırdığı dinamikleri yakalar
Neural SDE'ler, parametrik modellerin yakalayamadığı oynaklık dinamiklerini yakalar: rejim değişimleri, yola bağımlı etkiler ve varlıklar arası yayılma etkileri. Deep Hedging, klasik delta hedge'in göz ardı ettiği maliyetleri hesaba katar. Veriye aç ve hesaplama açısından pahalıdır, ancak kantitatif finansın yöneldiği yer burasıdır.
Güçlü Yönler ve Sınırlamalar
Kripto ile İlgisi
Kripto piyasaları Neural SDE'ler için doğal bir uyum gösterir, çünkü oynaklık dinamikleri yeterince anlaşılmamıştır ve hızla değişir. BTC oynaklığının SABR, Heston, rough vol veya tamamen farklı bir şeyle mi daha iyi modellendiği konusunda bir uzlaşı yoktur. Neural SDE, verinin içerdiği dinamikler her neyse onları öğrenerek bu tartışmayı devre dışı bırakır; rejim değişimleri gibi Black-Scholes varsayımlarını ihlal eden örüntüler de buna dahildir. Asıl engel veridir: kripto opsiyon piyasaları gençtir ve eğitim seti, hisse senedi veya faiz piyasalarına kıyasla küçüktür.
Öğrenilen modeller, öğrenilen hedge'ler
Neural SDE'ler, elle seçilmiş oynaklık modellerinin yerine öğrenilmiş modelleri koyar. Deep Hedging, teorik hedge oranlarının yerine sürtünmeyi dikkate alan oranları koyar. Bedeli: yorumlanabilirlik, veri gereksinimleri ve hesaplama maliyeti. Şimdilik araştırma araçlarıdır, ancak sınırın nerede olduğunu onlar belirler.
Denklem Gezgini
Zımni oynaklık, toplam varyans, log-moneyness ve opsiyon fiyatları arasında dönüşüm yapın.
Denklem Gezgini
💡 İpucu: Cevabı açıklamadan önce her soruyu kendin cevaplamaya çalış.
Matematiksel sezgi oluşturma
Neural SDE'leri sıfırdan öğreninEtkileşimli ders · ön koşul yokBu ders, 'denklemi öğrenme' fikrini sade bir dille açıklar, ardından ağın drift ve difüzyon fonksiyonlarını nasıl öğrendiğini ve deep hedging'in bu resme nerede oturduğunu adım adım anlatır.
Ayrıca bakınız:
- SABR Modeli -- Yorumlanabilir parametrelere sahip klasik stokastik oynaklık modeli
- Heston Modeli -- Kapalı form fiyatlamaya sahip, ortalamaya dönen stokastik oynaklık modeli
- SANOS (Parametrik Olmayan Yüzeyler) -- Garantili arbitrajsızlık sunan parametrik olmayan uydurma
- Yola Bağımlı Oynaklık -- Fiyat yolu geçmişini kullanan bir diğer veri odaklı yaklaşım
- Rough Bergomi -- Neural SDE'lerin potansiyel olarak yerini alabileceği fraksiyonel oynaklık modeli