期权定价的机器学习：网络架构的实证研究
计算金融
2026-01-30 v3 机器学习
摘要
我们考虑监督学习问题，即给定适当的输入数据（模型参数）与相应输出数据（期权价格或隐含波动率），学习期权价格或隐含波动率。该文献中多数文章采用（普通）前馈神经网络架构来连接用于学习输入到输出映射函数的神经元。在本文中，受图像分类方法与近期机器学习求解偏微分方程（PDEs）方法进展的启发，我们实证研究了网络架构的选择如何影响机器学习算法的精度与训练时间。我们发现，在以均方误差和训练时间为准则、在考虑的Black-Scholes与Heston期权定价问题的参数预算内，广义高速网络（generalized highway network）架构取得了最佳性能。考虑变换后的隐含波动率问题，一种简化的DGM变体在测试架构中达到了最低误差。为完整起见，我们还进行了容量归一化比较，即所有架构以相等参数量评估。最后，对于隐含波动率问题，我们额外使用了真实市场数据进行实验。
引用
@article{arxiv.2307.07657,
title = {Machine learning for option pricing: an empirical investigation of network architectures},
author = {Serena Della Corte and Laurens Van Mieghem and Antonis Papapantoleon and Jonas Papazoglou-Hennig},
journal= {arXiv preprint arXiv:2307.07657},
year = {2026}
}
备注
29 pages, 27 figures, 23 tables, revised version. Serena Della Corte has been added as co-author to reflect her contribution to the revised analysis and results. Several sections have been updated accordingly