論文の概要: Inverse Learning of Latent Risk-Neutral Densities from Irregular Option Quotes

• arxiv url: http://arxiv.org/abs/2607.27188v1
• Date: Wed, 29 Jul 2026 17:56:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-30 21:06:25.771895
• Title: Inverse Learning of Latent Risk-Neutral Densities from Irregular Option Quotes
• Title（参考訳）: 不規則なオプション項目からの潜在リスクニュートラル密度の逆学習
• Abstract要約: 正確なオプション価格が潜伏するリスクニュートラル密度の正確な回復を示唆しないことを示す。 制御されたベンチマークは、潜在評価のためのシミュレータートゥルース密度を公開し、時系列NIFTYベンチマークは市場価格を保留するのみである。 524のNIFTYコールでは、バリデーション選択されたテスト時間適応によりDeepONet RMSEは28.3%削減されるが、経験ごとの混合とSVIの適合はより正確である。
• 参考スコア（独自算出の注目度）: 0.4666493857924357
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate option prices do not imply accurate recovery of the latent risk-neutral density. We study this distinction with two complementary benchmarks. A controlled benchmark exposes simulator-truth densities for latent evaluation, while a chronological NIFTY benchmark tests only held-out market prices. A two-component lognormal mixture has the lowest aggregate price, $L^1$, Wasserstein, and fixed-tail errors on the synthetic benchmark. Learned operators retain narrower strengths: DeepONet reduces 1% quantile and variance error by 39.0% and 34.6% relative to the mixture, and a quote transformer reduces $L^1$ by 16.4% on the structurally misspecified Merton family. A numerical conditioning analysis explains why these rankings can differ: after enforcing mass and forward constraints, 95 of 126 pricing directions are numerically null, and two densities separated by $L^1 = 0.061$ produce identical prices on the covered strikes. On 524 held-out NIFTY calls, validation-selected test-time adaptation reduces DeepONet RMSE by 28.3%, but per-expiry mixture and SVI fits remain much more accurate. The evidence supports target-dependent inductive bias, not a universal winner.
• Abstract（参考訳）: 正確なオプション価格は、潜伏するリスクニュートラル密度の正確な回復を意味するものではない。 この区別を2つの相補的なベンチマークで研究する。 制御されたベンチマークは、潜在評価のためのシミュレータートゥルース密度を公開し、時系列NIFTYベンチマークは市場価格を保留するのみである。 2成分の対数正規混合は、合成ベンチマークにおける最低集合価格、$L^1$、Wasserstein、固定テール誤差を有する。 DeepONetは1%の量子化誤差と分散誤差を39.0%、34.6%減らし、引用変換器は構造的に不特定なマートン族では16.4%減らした。 質量と前方の制約を強制した後、116の価格方向の95は数値的に無効となり、L^1 = 0.061$で分離された2つの密度は、カバーされたストライクに対して同じ価格を生成する。 524のNIFTYコールでは、バリデーション選択されたテスト時間適応によりDeepONet RMSEは28.3%削減されるが、経験ごとの混合とSVIの適合はより正確である。 この証拠は、普遍的な勝者ではなく、目標に依存した帰納的バイアスを支持する。

関連論文リスト

• Robust Average-Reward Markov Decision Processes: Minimax-Optimal Learning via Plug-in Reductions [51.50375419691955]
  分布的に堅牢なマルコフ決定プロセスは、モデルの不確実性の下でのシーケンシャルな意思決定のための原則化されたフレームワークを提供する。 我々は,平均回帰基準の下で,$varepsilon$-Optimal robust policyを学習するのに必要なサンプル数と十分なサンプル数について検討した。
  論文  参考訳（メタデータ） (2026-08-06T19:49:48Z)
• Amortizing the Calibration Triple: A Projection-Consistent Neural Operator for Local-Stochastic Volatility [9.222991789197641]
  局所確率的ボラティリティ(LSV)は、バニラ限界とより豊かな笑顔のダイナミクスを組み合わせたものである。 我々は、キャリブレーションのための射影整合作用素三重項を学習する。 証人強化残差系に対しては,条件付き同定と経験的整合性を証明する。
  論文  参考訳（メタデータ） (2026-08-02T13:03:48Z)
• K-ABENA: K-Adaptive Backpropagation with Error-based N-exclusion Algorithm : (Compensated Loss-Based Sample Exclusion with Unbiased Gradient Estimation) [0.0]
  K-ABENAK-Adaptive Backpropagation with Error-based N-exclusionは選択的な計算フレームワークである。 これは、少量の低損失("ミニ")観測を除外することで、イット当たりの計算トレーニングコストを削減する。 ラベル制限下で0.386の精度(ベースライン:0.832)、極端な不均衡下で0.53のAUCに崩壊する。
  論文  参考訳（メタデータ） (2026-07-07T06:58:51Z)
• Displacement Is Not Direction: Evaluating Fidelity Metrics for Quantized LLM Deployment [0.7249731529275342]
  高精度参照に対するKL偏差(KLD)のような忠実度指標は、ベンチマーク品質の低コストプロキシとして実際に使用されることが多い。 KLDは全コホートに対するベンチマークスコアと強く相関していることがわかった。 しかし、この関係は、ほぼベースラインのサイレントゾーンにおいて非重要な状態に崩壊する。
  論文  参考訳（メタデータ） (2026-06-17T19:59:26Z)
• PIVOT: Bridging Black-Scholes Implied-Volatility and Price Objectives via Differentiable Jäckel Operator [12.334129641244592]
  Jckelの"Let's Be Rational"ソルバは、ブラック・スコールの価格を機械の精度に効率的に変換する。 PIVOTはLBRの前方通過を保ち、暗黙の分化によって後方通過を供給する。 単一のH100では、融合したトリトンカーネルが1.79e9 IV/sに達する。 エンドツーエンドのラベル生成は合成鎖では48.9M/s、SPX OptionMetricsでは16.6M/sである。
  論文  参考訳（メタデータ） (2026-06-04T14:43:38Z)
• Instance-Optimal Estimation with Multiple LLM Judges on a Budget [84.31744861038106]
  我々は、この問題を*予算付きヘテロスケダティックなマルチジャッジ推定*として定式化する。 K$のプロンプト-レスポンスペア、J$の既知のコストと未知のクエリ-ジャッジ分散が与えられた場合、目標は、$ell_p$-errorを最小化しながら、有界スコアベクトルを推定することである。 EST-IVWEは,予算の低次項までのオラクルIVWEレートと一致していることを示す。
  論文  参考訳（メタデータ） (2026-05-22T08:26:08Z)
• When Does Margin Clamping Affect Training Variance? Dataset-Dependent Effects in Contrastive Forward-Forward Learning [0.0]
  コントラストフォワード(Contrastive Forward-Forward, CFF)学習は、教師付きコントラスト目標に対して、ビジョントランスフォーマーを層別に層状化する。 比較損失における正対辺のマージンは、類似度クランプの飽和により適用される。 対数確率の後にマージンを減じる別の定式化が、平均-上-正の還元の下で勾配ニュートラルであることを証明する。
  論文  参考訳（メタデータ） (2026-03-01T07:00:38Z)
• Do Whitepaper Claims Predict Market Behavior? Evidence from Cryptocurrency Factor Analysis [0.0]
  本研究は,暗号通貨の物語が経験的に観察された市場因子構造と一致するかどうかを考察する。 我々は10カテゴリにわたる38のホワイトペーパーのNLP分類と時間ごとの市場データのセマンティック分解を組み合わせたパイプラインを構築した。 無効な結果は、物語経済学に影響を及ぼす市場因子構造を有意に予測しないことを示す。
  論文  参考訳（メタデータ） (2026-01-28T07:50:40Z)
• Convergence Rate Analysis of LION [54.28350823319057]
  LION は、勾配カルシュ=クーン=T (sqrtdK-)$で測定された $cal(sqrtdK-)$ の反復を収束する。 従来のSGDと比較して,LIONは損失が小さく,性能も高いことを示す。
  論文  参考訳（メタデータ） (2024-11-12T11:30:53Z)
• Exploring Response Uncertainty in MLLMs: An Empirical Evaluation under Misleading Scenarios [49.53589774730807]
  マルチモーダル大規模言語モデル(MLLM)は近年,視覚的質問応答から映像理解に至るまでのタスクにおいて,最先端のパフォーマンスを実現している。 12件のオープンソースMLLMが, 単一の偽装キューを受けた65%の症例において, 既往の正解を覆した。
  論文  参考訳（メタデータ） (2024-11-05T01:11:28Z)
• Mind the Gap: A Causal Perspective on Bias Amplification in Prediction & Decision-Making [58.06306331390586]
  本稿では,閾値演算による予測値がS$変化の程度を測るマージン補数の概念を導入する。 適切な因果仮定の下では、予測スコア$S$に対する$X$の影響は、真の結果$Y$に対する$X$の影響に等しいことを示す。
  論文  参考訳（メタデータ） (2024-05-24T11:22:19Z)
• TIC-TAC: A Framework for Improved Covariance Estimation in Deep Heteroscedastic Regression [109.69084997173196]
  奥行き回帰は、予測分布の平均と共分散を負の対数類似度を用いて共同最適化する。 近年の研究では, 共分散推定に伴う課題により, 準最適収束が生じる可能性が示唆されている。 1)予測共分散は予測平均のランダム性を真に捉えているか? その結果, TICは共分散を正確に学習するだけでなく, 負の対数類似性の収束性の向上も促進することがわかった。
  論文  参考訳（メタデータ） (2023-10-29T09:54:03Z)
• Sharp Statistical Guarantees for Adversarially Robust Gaussian Classification [54.22421582955454]
  逆向きに頑健な分類の過剰リスクに対する最適ミニマックス保証の最初の結果を提供する。 結果はAdvSNR(Adversarial Signal-to-Noise Ratio)の項で述べられており、これは標準的な線形分類と逆数設定との類似の考え方を一般化している。
  論文  参考訳（メタデータ） (2020-06-29T21:06:52Z)

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。