时变粗波动性下的美国期权定价：基于信函的混合框架

我们引入一种模块化框架，将信函方法扩展至时变粗波动性下的美国期权定价。基于 Bayer 等人 (2025) 的信函定价框架，我们添加三个实用创新。首先，我们训练一个梯度提升集成模型，从滚动的波动性数据窗口中估计时变 Hurst 参数 H(t)。其次，我们将这些预测输入到一个情景切换器中，根据预测的粗糙度选择使用粗 Bergomi 模拟器还是校准的 Heston 模拟器。最后，我们通过随机傅里叶特征 (RFF) 加速信函核评估，在保持精度的同时降低计算成本。对 S&P 500 股票指数期权的实证测试显示，粗波动性的持久性假设经常被违反，特别是在市场稳定期 when H(t) 接近或超过 0.5。该提出的混合框架提供了一个灵活的结构，适应变化的波动性粗糙度，优于固定粗糙度基准，在某些情景下缩小对偶间隙。通过整合动态 Hurst 参数估计管道与高效核近似，我们提出在动态波动性环境中实现美国期权可计算、实时定价。