神经SDE / 深度对冲
本站的每个模型 —— SABR、SVI、Heston —— 都是从选择一个公式开始，然后将其参数拟合到数据上。神经SDE颠覆了这一点：它使用神经网络直接从市场数据中学习公式本身。网络会发现最能解释观测价格的漂移函数和扩散函数，而波动率曲面则作为副产品自然产生。
网络学习方程
经典模型说"波动率遵循这个方程"并拟合参数。神经SDE说"波动率遵循某个方程"，然后由网络找出它是什么。隐含波动率曲面是学习出来的模型的输出，而非事先假定的形状。
实际演示
比较经典方法、参数化方法与神经网络方法在不同条件下如何处理相同的市场数据。
神经SDE与经典模型对比
切换场景，查看每种方法如何应对不同的市场状况。在压力和数据稀疏的环境下，参数化模型受限于其预设形状，而神经SDE能够灵活适应。
工作原理
1. 学习动态，而非形状
价格与波动率的标准SDE形式如下：dS = ... dt + ... dW。经典模型用特定公式填补"..."（SABR使用带有随机波动率之波动率的CEV）。神经SDE用基于历史数据训练的神经网络取代这些公式。网络从零开始学习平均行为（漂移）和随机性（扩散）。它能够发现参数化模型无法预见的Skew模式与期限结构形状。
2. 深度对冲：学习对冲，而不仅是价格
深度对冲（Buehler、Gonon、Teichmann & Wood，2019）扩展了这一思路。你不再是先为期权定价，然后从模型中计算对冲比率，而是训练一个网络直接输出每个时间步的最优对冲头寸。网络会联合学习Delta和Vega敞口。训练目标是：在真实市场条件下最小化对冲盈亏的方差 —— 包括交易成本、买卖价差、离散再平衡和流动性约束。无需任何无摩擦市场假设。
3. 波动率曲面自然浮现
一旦神经SDE训练完成，你就可以通过学习出的模型为普通期权定价，从而生成隐含波动率曲面。得到的曲面不受任何参数化形状的约束 —— 它捕捉数据中存在的任何模式，包括SVI或SABR在结构上会遗漏的模式。ATM和OTM区域会被同时拟合。
捕捉参数化模型遗漏的动态
神经SDE能捕捉参数化模型无法捕捉的波动率动态：状态切换、路径依赖效应以及跨资产溢出效应。深度对冲考虑了经典Delta对冲所忽略的成本。它对数据需求量大、计算成本高，但这正是量化金融的发展方向。
优势与局限
与加密货币的相关性
加密货币市场天然适合神经SDE，因为其波动率动态尚未被充分理解且变化迅速。对于BTC波动率是用SABR、Heston、粗糙波动率还是某种完全不同的方法建模更好，目前并无共识。神经SDE通过学习数据中所包含的任何动态来绕开这一争论 —— 包括状态切换等违反Black-Scholes的模式。主要障碍在于数据：加密货币期权市场尚年轻，与股票或利率市场相比，其训练集较小。
学习出的模型，学习出的对冲
神经SDE用学习出的波动率模型取代人工挑选的模型。深度对冲用考虑摩擦的对冲比率取代理论对冲比率。代价是：可解释性、数据需求以及计算成本。目前它们还是研究工具 —— 但它们定义了前沿。
方程浏览器
在隐含波动率、总方差、对数价值状态与期权价格之间进行换算。
公式探索器
💡 提示： 先尝试自己回答每个问题，再查看答案。
建立数学直觉
从零开始学习神经SDE互动课程 · 无需任何基础本课程用通俗的语言解释"学习方程"这一思路，然后逐步讲解网络如何学习漂移函数和扩散函数，以及深度对冲在其中的位置。
另见：
- SABR模型 —— 具有可解释参数的经典随机波动率模型
- Heston模型 —— 具有闭式定价的均值回归随机波动率模型
- SANOS（非参数曲面） —— 保证无套利的非参数拟合方法
- 路径依赖波动率 —— 另一种利用价格路径历史的数据驱动方法
- Rough Bergomi —— 神经SDE有潜力取代的分数阶波动率模型