論文の概要: Deep g-Pricing for CSI 300 Index Options with Volatility Trajectories and Market Sentiment

• arxiv url: http://arxiv.org/abs/2601.18804v1
• Date: Thu, 15 Jan 2026 08:58:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-02 02:21:38.515957
• Title: Deep g-Pricing for CSI 300 Index Options with Volatility Trajectories and Market Sentiment
• Title（参考訳）: 揮発性軌道と市場感を考慮したCSI300指数選択のための深いg-Pricing
• Authors: Yilun Zhang, Zheng Tang, Hexiang Sun, Yufeng Shi,
• Abstract要約: 本稿では,BSMモデルを拡張し,非線形生成器を奥行き微分方程式フレームワーク内で学習する。 本稿では,価値ネットワーク$u_$がオプション価格を学習し,ジェネレータネットワーク$g_$が価格メカニズムを特徴付けるデュアルネットワークアーキテクチャを提案する。 CSI300インデックスオプションを用いた実験結果から, 平均絶対誤差(MAE)を32.2%, 平均絶対誤差(MAPE)を35.3%削減できることがわかった。
• 参考スコア（独自算出の注目度）: 14.215333503141101
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Option pricing in real markets faces fundamental challenges. The Black--Scholes--Merton (BSM) model assumes constant volatility and uses a linear generator $g(t,x,y,z)=-ry$, while lacking explicit behavioral factors, resulting in systematic departures from observed dynamics. This paper extends the BSM model by learning a nonlinear generator within a deep Forward--Backward Stochastic Differential Equation (FBSDE) framework. We propose a dual-network architecture where the value network $u_θ$ learns option prices and the generator network $g_φ$ characterizes the pricing mechanism, with the hedging strategy $Z_t=σ_t X_t \nabla_x u_θ$ obtained via automatic differentiation. The framework adopts forward recursion from a learnable initial condition $Y_0=u_θ(0,\cdot)$, naturally accommodating volatility trajectory and sentiment features. Empirical results on CSI 300 index options show that our method reduces Mean Absolute Error (MAE) by 32.2\% and Mean Absolute Percentage Error (MAPE) by 35.3\% compared with BSM. Interpretability analysis indicates that architectural improvements are effective across all option types, while the information advantage is asymmetric between calls and puts. Specifically, call option improvements are primarily driven by sentiment features, whereas put options show more balanced contributions from volatility trajectory and sentiment features. This finding aligns with economic intuition regarding option pricing mechanisms.
• Abstract（参考訳）: リアルマーケットにおけるオプションの価格設定は、根本的な課題に直面している。 Black-Scholes--Merton (BSM) モデルは一定のボラティリティを仮定し、線形ジェネレータ $g(t,x,y,z)=-ry$ を用いるが、明示的な行動要因は欠如しており、観察された力学から体系的に逸脱する。 本稿では,BSMモデルを拡張し,非線形生成器を奥行き確率微分方程式(FBSDE)フレームワーク内で学習する。 本稿では、値ネットワーク$u_θ$がオプション価格を学習し、ジェネレータネットワーク$g_φ$が価格メカニズムを特徴付ける双対ネットワークアーキテクチャを提案し、自動微分によって得られるヘッジ戦略$Z_t=σ_t X_t \nabla_x u_θ$を提案する。 このフレームワークは、学習可能な初期条件$Y_0=u_θ(0,\cdot)$から前方再帰を採用し、自然に揮発性軌道と感情特性を調節する。 CSI300インデックスオプションを用いた実験結果から, 平均絶対誤差(MAE)は32.2\%, 平均絶対誤差(MAPE)は35.3\%減少することがわかった。 解釈可能性分析は、すべてのオプションタイプでアーキテクチャの改善が効果的であることを示している。 特に、コールオプションの改善は、主に感情的特徴によって引き起こされるが、パットオプションは、ボラティリティの軌跡と感情的特徴からよりバランスの取れたコントリビューションを示す。 この発見はオプション価格の仕組みに関する経済的な直観と一致している。

関連論文リスト

• Reinforcement Learning for Option Hedging: Static Implied-Volatility Fit versus Shortfall-Aware Performance [7.793044742733676]
  我々は、リスク回避とトレーディングコストを組み込むことで、QLBSフレームワークのQ-learnerを拡張する。 本稿では,RLOP(Replication Learning of Option Pricing)アプローチを提案する。
  論文  参考訳（メタデータ） (2026-01-05T01:02:41Z)
• Act-With-Think: Chunk Auto-Regressive Modeling for Generative Recommendation [49.45822979879046]
  ジェネレーティブレコメンデーション(GR)は通常、アイテム情報の振る舞いや意味的な側面を離散トークンにエンコードする。 本稿では,Chunk AutoRegressive Modeling(CAR)について紹介する。
  論文  参考訳（メタデータ） (2025-06-30T09:13:54Z)
• Symmetry-Breaking Descent for Invariant Cost Functionals [0.0]
  タスクコストの関数的$W : Hs(M) を mathbbR$ に還元する問題について検討する。 信号の対称性を破る変形はコストを低減できることを示す。
  論文  参考訳（メタデータ） (2025-05-19T15:06:31Z)
• Enhancing Unsupervised Feature Selection via Double Sparsity Constrained Optimization [6.342485512772862]
  教師なし単一特徴選択(UFS)は機械学習やパターン認識に広く応用されている。 既存の手法のほとんどはスパーシリティしか考慮していないため、サブセットを選択し、元のサブセットと区別することは困難である。 本稿では,DSCOFSと呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2025-01-01T05:05:46Z)
• A Novel Decision Ensemble Framework: Customized Attention-BiLSTM and XGBoost for Speculative Stock Price Forecasting [2.011511123338945]
  本稿では、投機的株式Bitcoin-USD(BTC-USD)の日替価格を予測するための新しいフレームワーク、CAB-XDEを提案する。 CAB-XDEフレームワークは、カスタマイズされた双方向長短期メモリ(BiLSTM)とアテンション機構とXGBoostアルゴリズムを統合している。 提案されたCAB-XDEフレームワークは、Yahoo Financeから供給された不安定なBitcoin市場で実証的に検証されている。
  論文  参考訳（メタデータ） (2024-01-05T17:13:30Z)
• Transformers as Support Vector Machines [54.642793677472724]
  自己アテンションの最適化幾何と厳密なSVM問題との間には,形式的等価性を確立する。 勾配降下に最適化された1層変圧器の暗黙バイアスを特徴付ける。 これらの発見は、最適なトークンを分離し選択するSVMの階層としてのトランスフォーマーの解釈を刺激していると信じている。
  論文  参考訳（メタデータ） (2023-08-31T17:57:50Z)
• Autoregressive Bandits [58.46584210388307]
  本稿では,オンライン学習環境であるAutoregressive Banditsを提案する。 報酬プロセスの軽微な仮定の下では、最適ポリシーを便利に計算できることが示される。 次に、新しい楽観的後悔最小化アルゴリズム、すなわちAutoRegressive Upper Confidence Bound (AR-UCB)を考案し、$widetildemathcalO left( frac(k+1)3/2sqrtnT (1-G)のサブ線形後悔を被る。
  論文  参考訳（メタデータ） (2022-12-12T21:37:36Z)
• A Relational Intervention Approach for Unsupervised Dynamics Generalization in Model-Based Reinforcement Learning [113.75991721607174]
  同じ環境に属する2つの推定$hatz_i, hatz_j$の確率を推定するための介入予測モジュールを導入する。 提案手法により推定される$hatZ$は,従来の方法よりも冗長な情報が少ないことを実証的に示す。
  論文  参考訳（メタデータ） (2022-06-09T15:01:36Z)

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。