神经SDE / 深度对冲
本站介绍的每一个模型，包括 SABR、SVI、Heston，都是先选定一个公式，再用数据拟合其参数。神经SDE则反其道而行之：它用神经网络直接从市场数据中学习公式本身。网络会找出最能解释观测价格的漂移函数和扩散函数，而波动率曲面只是其副产品。
网络学习的是方程本身
经典模型说"波动率遵循这个方程"，然后拟合参数。神经SDE说"波动率遵循某个方程"，由网络去弄清楚它是什么。隐含波动率曲面是所学模型的输出，而不是事先假定的形状。
实际演示
比较经典方法、参数化方法和神经网络方法在不同市场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，而不是形状
描述价格和波动率的标准SDE形如：dS = ... dt + ... dW。经典模型用特定公式填充其中的"..."（SABR使用CEV加随机的波动率之波动率）。神经SDE则用基于历史数据训练的神经网络替代这些公式。网络从零开始同时学习平均行为（漂移）和随机性（扩散）。它能够发现参数化模型无法预见的偏斜模式和期限结构形态。
2. 深度对冲：学习对冲，而不只是定价
深度对冲（Buehler、Gonon、Teichmann 和 Wood，2019）延伸了这一思路。它不是先为期权定价、再从模型推导对冲比率，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，其中包括交易成本、买卖价差、离散再平衡以及流动性约束。无需任何无摩擦市场假设。
3. 波动率曲面自然浮现
神经SDE训练完成后，您可以通过所学模型为普通期权定价，从而生成隐含波动率曲面。所得曲面不受任何参数化形状的约束，能够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能够捕捉参数化模型无法刻画的波动率动态：状态切换、路径依赖效应以及跨资产溢出。深度对冲则考虑了经典Delta对冲所忽略的成本。它对数据需求大、计算开销高，但这正是量化金融的发展方向。
优势与局限
与加密市场的关联
加密市场天然适合神经SDE，因为其波动率动态尚未被充分理解，且变化迅速。对于BTC波动率究竟更适合用SABR、Heston、粗糙波动率还是其他完全不同的模型来刻画，目前尚无共识。神经SDE绕开了这一争论，直接学习数据中包含的任何动态，包括状态切换等违背Black-Scholes假设的模式。主要障碍在于数据：加密期权市场尚年轻，与股票或利率市场相比，训练集规模很小。
学习得到的模型，学习得到的对冲
神经SDE用学习得到的波动率模型取代人工选定的模型。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、数据需求和计算成本。目前它们仍是研究工具，但代表着这一领域的前沿。
方程探索器
在隐含波动率、总方差、对数价值状态和期权价格之间相互换算。
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先用通俗的语言解释"学习方程"这一思想，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扮演的角色。
另请参阅：
- SABR 模型：参数可解释的经典随机波动率模型
- Heston 模型：具有闭式定价解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有望取代的分数阶波动率模型