用于横截面波动率预测的状态门控残差混合专家模型

金融波动率依赖于市场状态，然而将状态信息引入神经网络也可能导致训练不稳定。本文探讨此类信息应从何处引入神经横截面波动率预测模型。我们采用滚动前向走验证框架，对 1,027 只美国股票的五日已实现波动率预测进行研究，其中信息、模型容量、超参数调优和随机种子在不同架构间保持一致。我们提出 RG-ResMoE，一种状态门控残差混合专家架构，其中状态信息仅用于专家路由而非直接用于预测。基础预测器基于股票特征对波动率建模，而门控网络利用状态变量来路由残差修正。在主要的美国研究中，RG-ResMoE 在预测精度和训练稳定性上均持续优于容量匹配的 MLP。在独立的日本面板数据上也观察到类似增益。整合路径具有决定性作用：将相同状态变量直接附加到预测输入会降低预测性能和训练稳定性，而将其限制在路由门中则可提高精度和风险价值校准。硬路由的表现始终不及软路由。结果表明，在紧凑的神经波动率预测模型中，混合专家模型的主要价值不在于增加模型容量，而在于控制非平稳状态信息如何影响预测。