Neural SDE / Deep Hedging
Jedes Modell auf dieser Website -- SABR, SVI, Heston -- beginnt damit, eine Formel zu wählen und anschließend deren Parameter an die Daten anzupassen. Ein Neural SDE dreht dies um: Es verwendet ein neuronales Netz, um die Formel selbst direkt aus Marktdaten zu lernen. Das Netz entdeckt die Drift- und Diffusionsfunktionen, die die beobachteten Preise am besten erklären, und die Volatilitätsoberfläche ergibt sich als Nebenprodukt.
Das Netz lernt die Gleichung
Klassische Modelle sagen "Volatilität folgt dieser Gleichung" und passen Parameter an. Ein Neural SDE sagt "Volatilität folgt irgendeiner Gleichung", und das Netz findet heraus, welche das ist. Die implizite Volatilitätsoberfläche ist ein Output des gelernten Modells, keine im Voraus angenommene Form.
In Aktion sehen
Vergleichen Sie, wie klassische, parametrische und neuronale Ansätze dieselben Marktdaten unter verschiedenen Bedingungen behandeln.
Neuronale SDE vs. klassische Modelle
Wechseln Sie zwischen den Szenarien, um zu sehen, wie jeder Ansatz mit unterschiedlichen Marktbedingungen umgeht. In Stress- und Datenknappheitsregimen passt sich die neuronale SDE an, wo parametrische Modelle durch ihre vorgegebene Form eingeschränkt sind.
Wie es funktioniert
1. Die Dynamik lernen, nicht die Form
Ein Standard-SDE für Preis und Volatilität sieht so aus: dS = ... dt + ... dW. Klassische Modelle füllen die "..." mit spezifischen Formeln (SABR verwendet CEV mit stochastischer Vol-of-Vol). Ein Neural SDE ersetzt diese Formeln durch neuronale Netze, die auf historischen Daten trainiert wurden. Das Netz lernt sowohl das durchschnittliche Verhalten (Drift) als auch die Zufälligkeit (Diffusion) von Grund auf. Es kann Skew-Muster und Laufzeitstruktur-Formen entdecken, die parametrische Modelle nicht antizipieren können.
2. Deep Hedging: den Hedge lernen, nicht nur den Preis
Deep Hedging (Buehler, Gonon, Teichmann & Wood, 2019) erweitert diese Idee. Anstatt eine Option zu bepreisen und dann ein Hedge-Verhältnis aus einem Modell zu berechnen, trainieren Sie ein Netz, das direkt die optimale Hedge-Position bei jedem Zeitschritt ausgibt. Das Netz lernt Delta- und Vega-Exposures gemeinsam. Das Trainingsziel: Minimierung der Varianz des Hedging-P&L unter realen Marktbedingungen -- einschließlich Transaktionskosten, Bid-Ask-Spreads, diskreter Neugewichtung und Liquiditätsbeschränkungen. Keine Annahmen über reibungsfreie Märkte erforderlich.
3. Die Volatilitätsoberfläche entsteht
Sobald das Neural SDE trainiert ist, können Sie die implizite Volatilitätsoberfläche erzeugen, indem Sie Vanilla-Optionen durch das gelernte Modell bepreisen. Die resultierende Oberfläche ist an keine parametrische Form gebunden -- sie erfasst alle in den Daten vorhandenen Muster, einschließlich solcher, die SVI oder SABR strukturell verpassen würden. Sowohl ATM- als auch OTM-Bereiche werden gleichzeitig angepasst.
Erfasst Dynamiken, die parametrische Modelle verpassen
Neural SDEs erfassen Volatilitätsdynamiken, die parametrische Modelle nicht erfassen können: Regimewechsel, pfadabhängige Effekte und Übertragungseffekte zwischen Assets. Deep Hedging berücksichtigt Kosten, die das klassische Delta-Hedging ignoriert. Datenhungrig und rechenintensiv, aber genau dorthin bewegt sich die quantitative Finanzwelt.
Stärken und Grenzen
Relevanz für Krypto
Krypto-Märkte sind ein natürlicher Anwendungsfall für Neural SDEs, da die Volatilitätsdynamik schlecht verstanden ist und sich rasch ändert. Es besteht kein Konsens darüber, ob die BTC-Volatilität besser durch SABR, Heston, Rough Vol oder etwas völlig anderes modelliert wird. Ein Neural SDE umgeht diese Debatte, indem es die in den Daten enthaltenen Dynamiken lernt -- einschließlich Black-Scholes-verletzender Muster wie Regimewechsel. Das Haupthindernis sind die Daten: Krypto-Optionsmärkte sind jung, und der Trainingsdatensatz ist im Vergleich zu Aktien oder Zinsen klein.
Gelernte Modelle, gelernte Hedges
Neural SDEs ersetzen handverlesene Volatilitätsmodelle durch gelernte. Deep Hedging ersetzt theoretische Hedge-Verhältnisse durch friktionsbewusste. Der Kompromiss: Interpretierbarkeit, Datenanforderungen und Rechenkosten. Vorerst Forschungswerkzeuge -- aber sie definieren die Grenze des Machbaren.
Gleichungs-Explorer
Konvertieren Sie zwischen impliziter Volatilität, Gesamtvarianz, Log-Moneyness und Optionspreisen.
Gleichungs-Explorer
💡 Tipp: Versuchen Sie jede Frage selbst zu beantworten bevor Sie die Antwort aufdecken.
Mathematische Intuition aufbauen
Neural SDEs von Grund auf lernenInteraktive Lektion · keine Vorkenntnisse nötigDiese Lektion erklärt die Idee des "die Gleichung lernen" in einfachen Worten und führt anschließend durch, wie das Netz Drift- und Diffusionsfunktionen lernt und wo Deep Hedging ins Bild passt.
Siehe auch:
- SABR-Modell -- Klassisches stochastisches Volatilitätsmodell mit interpretierbaren Parametern
- Heston-Modell -- Mittelwertreversierende stochastische Volatilität mit geschlossener Bewertungsformel
- SANOS (Nicht-parametrische Oberflächen) -- Nicht-parametrische Anpassung mit garantierter Arbitragefreiheit
- Pfadabhängige Volatilität -- Ein weiterer datengetriebener Ansatz, der die Preispfad-Historie verwendet
- Rough Bergomi -- Fraktionales Volatilitätsmodell, das Neural SDEs potenziell ersetzen können