- 论文公开站arXiv
深度粗糙波动率中的不确定性与可解释性：神经信息论后验方法
Uncertainty and Explainability in Deep Rough Volatility: A Neural Information-Theoretic Posterior Approach
摘要显示，该研究提出基于模拟推断的粗糙 Heston（rHeston）校准框架，利用神经比率估计学习隐含波动率曲面条件下的参数后验分布，并将后验样本传播至异方差神经代理定价器，得到融合参数残差不确定性与代理条件不确定性的后验预测价格区间。作者还提出 Hellinger-SHAP，一种以后验信息泛函为对象的可解释性方法，用于识别各参数信息增益对应的期限-行权价区域。模拟研究表明，后验预测区间在远期启动、障碍与方差互换类合约上覆盖率合理或保…
意义：为波动率模型校准提供不确定性量化与可解释性工具，提示开发者仅用点估计定价可能不可靠，需关注后验预测区间。
- 论文公开站arXiv
轨迹上的信息：鞅与随机时间
Information on trajectories: martingales and random times
摘要显示，在非负鞅的轨迹路径空间上考虑信息流，可得到精确的变分恒等式，即使在任意随机时间也成立。该恒等式统一了从Ville不等式到PAC-Bayes的经典集中不等式，并量化了每个不等式所丢弃的信息。尾部界限控制的是相对熵，通过链式法则分解为逐步骤的条件散度。在三种几何中，丢弃的松弛量具有精确形式：Gibbs倾斜（用于Azuma-Hoeffding和PAC-Bayes界）、交叉本身（用于Ville和合并检验）以及支配证书（用于Lp最大界）…
意义：该研究为鞅不等式提供了统一框架，可量化各界的松弛量，对在线统计和机器学习中的安全测试、置信序列设计有重要指导意义。