論文の概要: Deep Learning-Enhanced Calibration of the Heston Model: A Unified Framework

• arxiv url: http://arxiv.org/abs/2510.24074v1
• Date: Tue, 28 Oct 2025 05:21:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-29 15:35:36.792842
• Title: Deep Learning-Enhanced Calibration of the Heston Model: A Unified Framework
• Title（参考訳）: 深層学習によるヘストンモデルの校正:統一フレームワーク
• Authors: Arman Zadgar, Somayeh Fallah, Farshid Mehrdoust,
• Abstract要約: ヘストン・ボラティリティ・モデル (Heston volatility model) は、ヨーロッパの価格設定において金融数学において広く用いられるツールである。 本稿では,計算効率と校正手順の精度を両立させるハイブリッドディープラーニングベースのフレームワークを提案する。 実S&P 500オプションデータに対する実験結果から、ディープラーニングアプローチが従来のキャリブレーション手法より優れていることが示された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The Heston stochastic volatility model is a widely used tool in financial mathematics for pricing European options. However, its calibration remains computationally intensive and sensitive to local minima due to the model's nonlinear structure and high-dimensional parameter space. This paper introduces a hybrid deep learning-based framework that enhances both the computational efficiency and the accuracy of the calibration procedure. The proposed approach integrates two supervised feedforward neural networks: the Price Approximator Network (PAN), which approximates the option price surface based on strike and moneyness inputs, and the Calibration Correction Network (CCN), which refines the Heston model's output by correcting systematic pricing errors. Experimental results on real S\&P 500 option data demonstrate that the deep learning approach outperforms traditional calibration techniques across multiple error metrics, achieving faster convergence and superior generalization in both in-sample and out-of-sample settings. This framework offers a practical and robust solution for real-time financial model calibration.
• Abstract（参考訳）: ヘストン確率的ボラティリティモデル(英: Heston stochastic volatility model)は、ヨーロッパのオプションの価格設定のための金融数学において広く使われているツールである。 しかし、そのキャリブレーションは、モデルの非線形構造と高次元パラメータ空間のため、計算集約的で局所最小値に敏感なままである。 本稿では,計算効率と校正手順の精度を両立させるハイブリッドディープラーニングベースのフレームワークを提案する。 提案手法は,ストライク入力とマネーネス入力に基づいてオプション価格面を近似するPrice Approximator Network (PAN) と,体系的な価格誤差を補正してヘストンモデルの出力を洗練するCalibration Correction Network (CCN) の2つの教師付きフィードフォワードニューラルネットワークを統合する。 実S\&P 500オプションデータに対する実験結果から、ディープラーニングアプローチは従来のキャリブレーション手法を複数のエラーメトリクスで上回り、より高速な収束を実現し、サンプル内およびサンプル外の両方で優れた一般化を実現していることが示された。 このフレームワークはリアルタイム金融モデルのキャリブレーションに対して実用的で堅牢なソリューションを提供する。

関連論文リスト

• Sample Margin-Aware Recalibration of Temperature Scaling [20.87493013833571]
  近年のディープラーニングの進歩は予測精度を大幅に改善した。 現代のニューラルネットワークは体系的に過信され、安全クリティカルなシナリオに展開するリスクを生じさせる。 本稿では,上位2つのロジット間のマージンに基づいて,ロジットを正確にスケールする軽量でデータ効率の高いリカバリ手法を提案する。
  論文  参考訳（メタデータ） (2025-06-30T03:35:05Z)
• Pricing American Options using Machine Learning Algorithms [0.0]
  本研究は,モンテカルロシミュレーションを用いて,機械学習アルゴリズムのアメリカ人オプションの価格設定への応用について検討する。 Black-Scholes-Mertonフレームワークのような伝統的なモデルは、しばしばアメリカの選択肢の複雑さに適切に対処できない。 モンテカルロ法とLast Square Methodを併用して機械学習を行った。
  論文  参考訳（メタデータ） (2024-09-05T02:52:11Z)
• Sharp Calibrated Gaussian Processes [58.94710279601622]
  キャリブレーションされたモデルを設計するための最先端のアプローチは、ガウス過程の後方分散を膨らませることに依存している。 本稿では,バニラガウス過程の後方分散にインスパイアされた計算を用いて,予測量子化を生成するキャリブレーション手法を提案する。 我々のアプローチは合理的な仮定の下で校正されたモデルが得られることを示す。
  論文  参考訳（メタデータ） (2023-02-23T12:17:36Z)
• On Calibrating Semantic Segmentation Models: Analyses and An Algorithm [51.85289816613351]
  セマンティックセグメンテーションキャリブレーションの問題について検討する。 モデルキャパシティ、作物サイズ、マルチスケールテスト、予測精度はキャリブレーションに影響を及ぼす。 我々は、単純で統一的で効果的なアプローチ、すなわち選択的スケーリングを提案する。
  論文  参考訳（メタデータ） (2022-12-22T22:05:16Z)
• On the Importance of Calibration in Semi-supervised Learning [13.859032326378188]
  State-of-the-art (SOTA) の半教師付き学習(SSL)手法はラベル付きデータとラベルなしデータの混在を活用することに成功している。 我々は、キャリブレーションを最適化し、標準ビジョンベンチマークでその有効性を実証する新しいSSLモデル群を紹介します。
  論文  参考訳（メタデータ） (2022-10-10T15:41:44Z)
• On the Calibration of Pre-trained Language Models using Mixup Guided by Area Under the Margin and Saliency [47.90235939359225]
  モデルキャリブレーションをさらに改善する事前学習型言語モデルのための新しい混合戦略を提案する。 本手法は,ドメイン内およびドメイン外テストサンプルの強いベースラインと比較して,最小のキャリブレーション誤差を実現する。
  論文  参考訳（メタデータ） (2022-03-14T23:45:08Z)
• Deep Calibration of Interest Rates Model [0.0]
  ディープラーニングの普及にもかかわらず、CIRやガウス家のような古典的なレートモデルはまだ広く使われている。 本稿では,ニューラルネットワークを用いたG2++モデルの5つのパラメータの校正を提案する。
  論文  参考訳（メタデータ） (2021-10-28T14:08:45Z)
• Predictive machine learning for prescriptive applications: a coupled training-validating approach [77.34726150561087]
  規範的応用のための予測機械学習モデルをトレーニングするための新しい手法を提案する。 このアプローチは、標準的なトレーニング検証テストスキームの検証ステップを微調整することに基づいている。 合成データを用いたいくつかの実験は、決定論的モデルと実モデルの両方において処方料コストを削減できる有望な結果を示した。
  論文  参考訳（メタデータ） (2021-10-22T15:03:20Z)
• Meta-Calibration: Learning of Model Calibration Using Differentiable Expected Calibration Error [46.12703434199988]
  我々は、キャリブレーション品質を直接最適化できる、期待キャリブレーション誤差(DECE)のための新しい微分可能なサロゲートを導入する。 また、DECEを用いて検証セットの校正を最適化するメタラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-06-17T15:47:50Z)
• Post-hoc Calibration of Neural Networks by g-Layers [51.42640515410253]
  近年、ニューラルネットワークの校正に関する研究が急増している。 負ログライクリーフ(NLL)の最小化は、グローバルな最適化が達成されれば、トレーニングセット上の校正ネットワークにつながることが知られている。 基本ネットワーク (f$) が NLL のグローバルな最適化に繋がらず,追加レイヤ (g$) を追加し,パラメータを$g$ 1 に最適化することで NLL を最小化することで,キャリブレーションネットワークが得られることを示す。
  論文  参考訳（メタデータ） (2020-06-23T07:55:10Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。