Neural SDE / ディープヘッジング
本サイトのすべてのモデル -- SABR、SVI、Heston -- は、まず数式を選び、そのパラメータをデータにフィッティングすることから始まります。Neural SDEはこれを逆転させます。ニューラルネットワークを使って、市場データから直接数式そのものを学習するのです。ネットワークは観測された価格を最もよく説明するドリフト関数と拡散関数を発見し、ボラティリティ・サーフェスは副産物として得られます。
ネットワークが方程式を学習する
古典的なモデルは「ボラティリティはこの方程式に従う」と述べてパラメータをフィッティングします。Neural SDEは「ボラティリティは何らかの方程式に従う」と述べ、ネットワークがそれが何であるかを見つけ出します。インプライド・ボラティリティのサーフェスは、あらかじめ仮定された形状ではなく、学習されたモデルの出力です。
実際に見てみる
古典的、パラメトリック、ニューラルの各アプローチが、異なる条件下で同じ市場データをどのように扱うかを比較します。
ニューラルSDE vs 古典的モデル
シナリオを切り替えて、各アプローチがさまざまな市場環境にどう対応するかをご覧ください。ストレス時やデータが疎な局面では、パラメトリックモデルが想定した形状に制約されるのに対し、ニューラルSDEは柔軟に適応します。
仕組み
1. 形状ではなくダイナミクスを学習する
価格とボラティリティに関する標準的なSDEは次のようになります: dS = ... dt + ... dW。古典的なモデルは、この「...」を特定の数式で埋めます(SABRは確率的なvol-of-volを伴うCEVを使用します)。Neural SDEはこれらの数式を、過去データで訓練されたニューラルネットワークに置き換えます。ネットワークは、平均的な挙動(ドリフト)とランダム性(拡散)の両方をゼロから学習します。パラメトリックモデルでは予測できないスキューパターンや期間構造の形状を発見できます。
2. ディープヘッジング: 価格だけでなくヘッジを学習する
ディープヘッジング(Buehler, Gonon, Teichmann & Wood, 2019)はこのアイデアを拡張します。オプションを価格付けし、その後モデルからヘッジ比率を計算する代わりに、各タイムステップで最適なヘッジポジションを直接出力するようネットワークを訓練します。ネットワークはデルタとベガのエクスポージャーを同時に学習します。訓練の目的は、取引コスト、ビッド・アスク・スプレッド、離散的なリバランス、流動性制約を含む現実の市場条件の下で、ヘッジのP&Lの分散を最小化することです。摩擦のない市場という仮定は不要です。
3. ボラティリティ・サーフェスが出現する
Neural SDEが訓練されると、学習されたモデルを通じてバニラオプションを価格付けすることで、インプライド・ボラティリティのサーフェスを生成できます。得られるサーフェスはいかなるパラメトリックな形状にも制約されません -- SVIやSABRが構造的に見落とすものを含め、データに存在するあらゆるパターンを捉えます。ATMとOTMの両領域が同時にフィッティングされます。
パラメトリックモデルが見落とすダイナミクスを捉える
Neural SDEは、パラメトリックモデルでは捉えられないボラティリティのダイナミクスを捉えます: レジームの切り替え、経路依存効果、クロスアセットのスピルオーバーなどです。ディープヘッジングは、古典的なデルタヘッジが無視するコストを考慮します。データを大量に必要とし計算コストも高いですが、これがクオンツファイナンスの進む方向です。
強みと限界
仮想通貨との関連性
仮想通貨市場は、ボラティリティのダイナミクスがよく理解されておらず急速に変化するため、Neural SDEに自然に適合します。BTCのボラティリティがSABR、Heston、ラフボラティリティ、あるいは全く別のものでよりよくモデル化されるかについては、コンセンサスがありません。Neural SDEは、レジームの切り替えのようなブラック・ショールズに反するパターンを含め、データに含まれるあらゆるダイナミクスを学習することで、この議論を回避します。主な障害はデータです: 仮想通貨オプション市場は歴史が浅く、訓練セットは株式や金利と比べて小さいのです。
学習されたモデル、学習されたヘッジ
Neural SDEは手作業で選んだボラティリティモデルを、学習されたものに置き換えます。ディープヘッジングは理論的なヘッジ比率を、摩擦を考慮したものに置き換えます。トレードオフは、解釈可能性、データ要件、計算コストです。今のところは研究ツールですが、これらは最前線を定義しています。
方程式エクスプローラー
インプライド・ボラティリティ、全分散、対数マネーネス、オプション価格の間で変換します。
数式エクスプローラー
💡 ヒント： 回答を見る前に自分で答えてみましょう。
数学的直観を養う
Neural SDEをゼロから学ぶインタラクティブレッスン · 前提知識は不要ですこのレッスンでは、「方程式を学習する」というアイデアを平易な言葉で説明し、 その後、ネットワークがどのようにドリフト関数と拡散関数を学習するか、 そしてディープヘッジングがどこに位置づけられるかを解説します。
関連項目:
- SABRモデル -- 解釈可能なパラメータを持つ古典的な確率的ボラティリティモデル
- Hestonモデル -- 閉形式の価格付けを備えた平均回帰型の確率的ボラティリティ
- SANOS(ノンパラメトリック・サーフェス) -- 無裁定を保証するノンパラメトリックなフィッティング
- 経路依存ボラティリティ -- 価格経路の履歴を使用する、もう一つのデータ駆動型アプローチ
- Rough Bergomi -- Neural SDEが置き換える可能性のある分数ボラティリティモデル