标题: Deep Learning Option Pricing with Market Implied Volatility Surfaces 来源: Oak Ridge National Lab / Valkin Holdings, arXiv:2509.05911, Sep 2025 核心贡献: 用变分自编码器(VAE)压缩隐含波动率曲面到10维隐空间，结合MLP实现美式看跌和算术亚式期权的快速定价
动机
- 传统参数模型（BS公式）假设恒定波动率，与实际市场的波动率微笑和期限结构不符
- 数值方法（Monte Carlo、有限差分）灵活但计算密集，难以高效处理高维IV曲面
- 现有ML定价方法通常使用单一的插值波动率输入，忽略了IV曲面的完整几何信息
数据与方法
IV曲面构建
- 数据源：optionsDX平台的SPX欧式期权日度数据（2018-2023）
- 使用 OTM 期权计算隐含波动率（put for K<S, call for K>S）
- 网格：41×20 均匀网格（log-moneyness k∈[-0.3,0.3]，期限 T∈[0.05,1]年）
- 经QuantLib无套利检查后获得 1051个有效曲面（840训练/211测试）
VAE架构
- 编码器：2层Conv（kernel=3, stride=2），第1层16通道，第2层32通道，输出11×5×32=1760维向量 → 映射为10个隐变量(μᵢ,sᵢ)
- 隐空间：10维，通过重参数化 z = μ + s⊙ε 采样
- 解码器：2层转置卷积，对称于编码器，重建41×20曲面
- MLP定价器：将10维隐变量 + (K,T) 输入 → 预测期权价格
- 优化器：Adam + CosineAnnealingLR
训练三阶段
- VAE预训练（3000 epoch）：最小化重建MSE
- MLP训练（150 epoch）：固定编码器，只训练MLP
- 联合微调（50 epoch）：端到端优化
定价数据生成
- 美式看跌：20,000训练 + 4,000测试（用QuantLib计算）
- 算术亚式看涨/看跌：各10,000训练 + 2,000测试
关键结果
IV曲面降维可行性
SVD分析显示特征值快速衰减，前8个奇异向量即可捕捉主要模式：
- V0（最主导）：整体平行偏移，代表IV水平
- V1：微笑随期限的开闭变化
- V2-V3：翅膀端的偏斜调整
- 更高阶：越来越精细的曲面细节 → 5-10维足以表征
VAE重建效果
- 一般日期重建误差很小（∆σ≈0.01-0.02）
- Covid崩盘后极端日期的重建误差略大但仍可接受
定价准确度
- 美式看跌：预测价格与QuantLib一致，误差集中在长期限+ATM附近（此处绝对价格低）
- 算术亚式看涨/看跌：同样高精度，仅有少量ATM附近离群点
亮点
- 单次前向传播即完成定价，无需迭代数值计算
- 支持GPU并行批量处理
- 框架不依赖QuantLib——可用任意定价模型生成训练数据，训练后即可快速得出与该模型一致的定价
- VAE提供了一种低维可处理的IV曲面表示，可用于后续生成/分析
- 可扩展到其他资产类别（商品、外汇、加密货币、利率衍生品）