基于在线自适应机器学习的隐含波动率曲面建模算法

在这项工作中，我们设计了一种基于机器学习的方法，在线自适应原始支持向量回归（SVR），来为隐含波动率曲面（IVS）建模。所提出的算法是在线原始核 SVR 的首次推导与实现。它具有通过嵌入局部适应性和预算维护的思想以在模式漂移时动态更新支持向量的增强功能，从而实现高效的在线自适应学习。为加速算法，我们将其计算最密集的部分实现在现场可编程门阵列（Field Programmable Gate Arrays）硬件中，在在线预测期间实现了相比 CPU 132 倍的加速。利用来自 E-mini S&P 500 期权市场的日内 tick 数据，我们展示了高斯核在调节支持向量大小方面优于线性核，并且我们的经验 IVS 算法在模型复杂度和回归误差（我们算法的平均绝对百分比误差高达 13%）方面击败了两种竞争的在线方法。最佳结果在 IVS 网格中心获得，因为其相邻支持向量数量比网格边缘多。还给出了敏感性分析以展示超参数如何影响错误率和模型复杂度。