站内快照 · 国内可打开。外网原文可能无法访问。
- 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守，而点代入定价在部分合约区间可能明显不可靠。
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。