論文の概要: Volatility Surface Reconstruction using Deep Learning under No-Arbitrage Constraints

• arxiv url: http://arxiv.org/abs/2605.24031v1
• Date: Wed, 20 May 2026 18:39:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-26 19:50:17.545211
• Title: Volatility Surface Reconstruction using Deep Learning under No-Arbitrage Constraints
• Title（参考訳）: 非拘束下での深層学習による揮発性表面の再構成
• Authors: Pablo Rodriguez Manzi,
• Abstract要約: 本研究では,不規則な制約下での深層学習モデルを用いて,スパースやノイズの少ない選択肢からのインプリッドボラティリティ面の再構成について検討した。 その結果、トランスフォーマーとU-Netアーキテクチャは、特に疎い観測体制下で、強い再構成精度を実現することがわかった。
• 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: We study the reconstruction of implied volatility surfaces from sparse and noisy option quotes using deep learning models under no-arbitrage constraints. We compare multiple neural architectures, including multilayer perceptrons, convolutional networks, U-Nets, variational autoencoders, and Transformer-based models against classical SVI parameterizations on option market data. Results show that Transformer and U-Net architectures achieve strong reconstruction accuracy, particularly under sparse observation regimes, while soft arbitrage penalties significantly reduce arbitrage violations with moderate impact on reconstruction error. We further analyze the trade-off between accuracy and arbitrage consistency across architectures and regularization strengths.
• Abstract（参考訳）: 本研究では,不規則な制約下での深層学習モデルを用いて,スパースやノイズの少ない選択肢からのインプリッドボラティリティ面の再構成について検討した。 我々は,マルチ層パーセプトロン,畳み込みネットワーク,U-Net,変分オートエンコーダ,トランスフォーマーに基づくモデルなど,複数のニューラルアーキテクチャを,オプション市場データ上での古典的SVIパラメータ化と比較する。 その結果、トランスフォーマーとU-Netアーキテクチャは、特に疎い観測体制下では、強い再構成精度を達成する一方、ソフトな仲裁は、復元誤差に適度な影響で仲裁違反を著しく低減することがわかった。 さらに、アーキテクチャ間の精度と調停のトレードオフと正規化の強度を解析する。

関連論文リスト

• From Arithmetic to Logic: The Resilience of Logic and Lookup-Based Neural Networks Under Parameter Bit-Flips [0.6868507883617846]
  本研究では,ニューラルネットワークの構造特性としてのレジリエンスについて検討する。 その結果,低い精度,高い間隔,有界活性化,浅い深度が常に好まれていることが判明した。 論理ベースのアーキテクチャに特有の新しい偶数層リカバリ効果を同定する。
  論文  参考訳（メタデータ） (2026-03-24T03:53:04Z)
• VIKING: Deep variational inference with stochastic projections [48.946143517489496]
  変分平均場近似は、現代の過度にパラメータ化されたディープニューラルネットワークと競合する傾向がある。 パラメータ空間の2つの独立線型部分空間を考える単純な変分族を提案する。 これにより、オーバーパラメトリゼーションを反映した、完全に相関した近似後部を構築することができる。
  論文  参考訳（メタデータ） (2025-10-27T15:38:35Z)
• Model Hemorrhage and the Robustness Limits of Large Language Models [119.46442117681147]
  大規模言語モデル(LLM)は、自然言語処理タスク全体で強力なパフォーマンスを示すが、デプロイメント用に修正された場合、大幅なパフォーマンス低下を経験する。 この現象をモデル出血(パラメータ変更とアーキテクチャ変更によるパフォーマンス低下)と定義する。
  論文  参考訳（メタデータ） (2025-03-31T10:16:03Z)
• Generalized Factor Neural Network Model for High-dimensional Regression [50.554377879576066]
  複素・非線形・雑音に隠れた潜在低次元構造を持つ高次元データセットをモデル化する課題に取り組む。 我々のアプローチは、非パラメトリック回帰、因子モデル、高次元回帰のためのニューラルネットワークの概念のシームレスな統合を可能にする。
  論文  参考訳（メタデータ） (2025-02-16T23:13:55Z)
• Polytopic Autoencoders with Smooth Clustering for Reduced-order Modelling of Flows [1.1279808969568252]
  本稿では,軽量な非線形エンコーダ,凸結合デコーダ,スムーズなクラスタリングネットワークを備えた多目的オートエンコーダアーキテクチャを提案する。 圧縮不能なNavier-Stokes方程式による2つの流れシナリオのシミュレーションを行う。 数値計算の結果、モデルの保証された特性、PODと比較して低い再構成誤差、クラスタリングネットワークによるエラー改善が示された。
  論文  参考訳（メタデータ） (2024-01-19T10:52:57Z)
• Iterative Soft Shrinkage Learning for Efficient Image Super-Resolution [91.3781512926942]
  画像超解像(SR)は、CNNからトランスフォーマーアーキテクチャへの広範なニューラルネットワーク設計を目撃している。 本研究は,市販のネットワーク設計を生かし,基礎となる計算オーバーヘッドを低減するため,超高解像度イテレーションにおけるネットワークプルーニングの可能性について検討する。 本研究では, ランダムネットワークのスパース構造を最適化し, 重要でない重みを小さめに微調整することにより, 反復型軟収縮率(ISS-P)法を提案する。
  論文  参考訳（メタデータ） (2023-03-16T21:06:13Z)
• GCVAE: Generalized-Controllable Variational AutoEncoder [0.0]
  極めて低い復元誤差と高い絡み合いスコアのトレードオフを扱うための枠組みを提案する。 復元ネットワークにおける情報の最大化は、償却推論時の情報と等価であることを示す。
  論文  参考訳（メタデータ） (2022-06-09T02:29:30Z)
• Robust lEarned Shrinkage-Thresholding (REST): Robust unrolling for sparse recover [87.28082715343896]
  我々は、モデルミス特定を前進させるのに堅牢な逆問題を解決するためのディープニューラルネットワークについて検討する。 我々は,アルゴリズムの展開手法を根底にある回復問題のロバストバージョンに適用することにより,新しい堅牢なディープニューラルネットワークアーキテクチャを設計する。 提案したRESTネットワークは,圧縮センシングとレーダイメージングの両問題において,最先端のモデルベースおよびデータ駆動アルゴリズムを上回る性能を示す。
  論文  参考訳（メタデータ） (2021-10-20T06:15:45Z)

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。