Neural SDE / Deep Hedging
Mọi mô hình trên trang này -- SABR, SVI, Heston -- đều bắt đầu bằng việc chọn một công thức rồi khớp các tham số của nó với dữ liệu. Neural SDE đảo ngược cách làm này: nó dùng mạng nơ-ron để tự học chính công thức trực tiếp từ dữ liệu thị trường. Mạng nơ-ron tìm ra các hàm drift và diffusion giải thích tốt nhất các mức giá quan sát được, và bề mặt biến động xuất hiện như một sản phẩm phụ.
Mạng nơ-ron học chính phương trình
Các mô hình cổ điển nói "biến động tuân theo phương trình này" rồi khớp tham số. Neural SDE nói "biến động tuân theo một phương trình nào đó" và mạng nơ-ron tự tìm ra phương trình đó là gì. Bề mặt biến động ngụ ý là đầu ra của mô hình đã học, chứ không phải một hình dạng được giả định trước.
Xem trực quan
So sánh cách các phương pháp cổ điển, tham số và nơ-ron xử lý cùng một bộ dữ liệu thị trường trong các điều kiện khác nhau.
Neural SDE so với các mô hình cổ điển
Chuyển đổi các kịch bản để xem mỗi phương pháp xử lý các điều kiện thị trường khác nhau như thế nào. Trong các chế độ căng thẳng và dữ liệu thưa, Neural SDE thích ứng linh hoạt trong khi các mô hình tham số bị giới hạn bởi hình dạng giả định.
Cách hoạt động
1. Học động lực, không học hình dạng
Một SDE tiêu chuẩn cho giá và biến động có dạng: dS = ... dt + ... dW. Các mô hình cổ điển điền vào phần "..." bằng những công thức cụ thể (SABR dùng CEV với vol-of-vol ngẫu nhiên). Neural SDE thay các công thức đó bằng mạng nơ-ron được huấn luyện trên dữ liệu lịch sử. Mạng nơ-ron học cả hành vi trung bình (drift) lẫn tính ngẫu nhiên (diffusion) từ đầu. Nó có thể phát hiện các mẫu skew và hình dạng cấu trúc kỳ hạn mà các mô hình tham số không thể lường trước.
2. Deep Hedging: học cách phòng hộ, không chỉ học giá
Deep Hedging (Buehler, Gonon, Teichmann & Wood, 2019) mở rộng ý tưởng này. Thay vì định giá quyền chọn rồi tính tỷ lệ phòng hộ từ một mô hình, bạn huấn luyện mạng nơ-ron để trực tiếp đưa ra vị thế phòng hộ tối ưu tại mỗi bước thời gian. Mạng nơ-ron học đồng thời mức phơi nhiễm delta và vega. Mục tiêu huấn luyện: tối thiểu hóa phương sai P&L phòng hộ trong điều kiện thị trường thực tế -- bao gồm chi phí giao dịch, spread giá mua/giá bán, tái cân bằng rời rạc và hạn chế thanh khoản. Không cần giả định thị trường không ma sát.
3. Bề mặt biến động tự hình thành
Sau khi Neural SDE được huấn luyện, bạn có thể tạo bề mặt biến động ngụ ý bằng cách định giá các quyền chọn vanilla thông qua mô hình đã học. Bề mặt thu được không bị ràng buộc vào bất kỳ hình dạng tham số nào -- nó nắm bắt mọi mẫu hình tồn tại trong dữ liệu, kể cả những mẫu hình mà SVI hoặc SABR bỏ sót về mặt cấu trúc. Cả vùng ATM và OTM đều được khớp đồng thời.
Nắm bắt động lực mà mô hình tham số bỏ sót
Neural SDE nắm bắt được những động lực biến động mà mô hình tham số không thể: chuyển đổi chế độ thị trường, hiệu ứng phụ thuộc đường đi và hiệu ứng lan tỏa giữa các tài sản. Deep Hedging tính đến những chi phí mà phòng hộ delta cổ điển bỏ qua. Phương pháp này đòi hỏi nhiều dữ liệu và tốn kém về tính toán, nhưng đây là hướng đi của tài chính định lượng.
Ưu điểm và hạn chế
Mức độ liên quan đến crypto
Thị trường crypto rất phù hợp với Neural SDE vì động lực biến động ở đây chưa được hiểu rõ và thay đổi nhanh. Chưa có sự đồng thuận về việc biến động BTC được mô hình hóa tốt hơn bằng SABR, Heston, rough vol hay một mô hình hoàn toàn khác. Neural SDE né tránh cuộc tranh luận này bằng cách học bất kỳ động lực nào có trong dữ liệu -- kể cả các mẫu hình vi phạm giả định Black-Scholes như chuyển đổi chế độ thị trường. Trở ngại chính là dữ liệu: thị trường quyền chọn crypto còn non trẻ và tập huấn luyện nhỏ so với thị trường cổ phiếu hay lãi suất.
Mô hình được học, phòng hộ được học
Neural SDE thay thế các mô hình biến động được chọn thủ công bằng mô hình được học. Deep Hedging thay thế tỷ lệ phòng hộ lý thuyết bằng tỷ lệ phòng hộ có tính đến ma sát. Cái giá phải trả: khả năng diễn giải, yêu cầu dữ liệu và chi phí tính toán. Hiện tại đây vẫn là công cụ nghiên cứu -- nhưng chúng định hình biên giới của lĩnh vực.
Công cụ khám phá phương trình
Chuyển đổi giữa biến động ngụ ý, tổng phương sai, log-moneyness và giá quyền chọn.
Trình khám phá phương trình
💡 Mẹo: Hãy thử trả lời từng câu hỏi trước khi xem đáp án.
Xây dựng trực giác toán học
Học Neural SDE từ đầuBài học tương tác · không cần kiến thức nềnBài học này giải thích ý tưởng "học phương trình" bằng ngôn ngữ dễ hiểu, sau đó hướng dẫn cách mạng nơ-ron học các hàm drift và diffusion, và vị trí của deep hedging trong bức tranh tổng thể.
Xem thêm:
- Mô hình SABR -- Mô hình biến động ngẫu nhiên cổ điển với các tham số dễ diễn giải
- Mô hình Heston -- Biến động ngẫu nhiên hồi quy về trung bình với công thức định giá dạng đóng
- SANOS (Bề mặt phi tham số) -- Khớp phi tham số với đảm bảo phi chênh lệch giá
- Biến động phụ thuộc đường đi -- Một phương pháp dựa trên dữ liệu khác sử dụng lịch sử đường giá
- Rough Bergomi -- Mô hình biến động phân thứ mà Neural SDE có thể thay thế