論文の概要: Uncertainty and Explainability in Deep Rough Volatility: A Neural Information-Theoretic Posterior Approach
- arxiv url: http://arxiv.org/abs/2609.31570v1
- Date: Fri, 25 Sep 2026 17:34:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-28 18:27:51.522867
- Title: Uncertainty and Explainability in Deep Rough Volatility: A Neural Information-Theoretic Posterior Approach
- Title（参考訳）: 深層変動における不確かさと説明可能性--神経情報理論による後部アプローチ
- Abstract要約: 我々は、粗いヘストン(rHeston)キャリブレーションのためのシミュレーションベースの推論フレームワークを開発する。
経路依存エキゾチックオプションのニューラルネットワークサロゲート価格設定により伝播可能な後部試料を校正する。
その結果,残差パラメータの不確かさと条件付きサロゲートの不確かさを組み合わせ,不確実性を考慮した価格間隔が生じる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Deep learning has substantially accelerated the calibration of complex stochastic-volatility models, but neural point calibration alone does not capture the uncertainty remaining after an implied-volatility (IV) surface has been observed. We develop a simulation-based inference framework for rough Heston (rHeston) calibration that learns the posterior distribution of the model parameters conditional on an IV surface. Using neural ratio estimation, we obtain calibrated posterior samples that can be propagated through heteroscedastic neural surrogate pricers for path-dependent exotic options. The resulting posterior-predictive distributions combine residual parameter uncertainty with conditional surrogate uncertainty and yield uncertainty-aware price intervals. We further introduce Hellinger-SHAP, an information-theoretic explainability method for posterior inference. Rather than attributing a single parameter point estimate, it applies local-background Kernel SHAP to a posterior-information functional measuring contraction from the prior to the posterior. This identifies maturity--moneyness regions associated with posterior information gain for individual rHeston parameters. In a simulation study, posterior-predictive intervals provide calibrated or conservative coverage across forward-start, barrier, and realized-variance claims, while point plug-in prices can be materially unreliable for selected contract regimes. Together, the UQ and XAI analyses provide a transparent framework for uncertainty-aware neural calibration and downstream exotic pricing under the specified prior-predictive model.
- Abstract（参考訳）: 深層学習は複雑な確率変動モデルのキャリブレーションを大幅に加速させたが、インプリッド・ボラティリティ(IV)表面が観察された後に残る不確実性は神経点キャリブレーションだけでは捉えられない。
我々は,IV面上で条件付きモデルパラメータの後方分布を学習する,粗いヘストン(rHeston)キャリブレーションのためのシミュレーションベース推論フレームワークを開発した。
神経比推定を用いて、経路依存エキゾチックオプションのためのヘテロセダスティック・ニューラル・サロゲート・プライサを通じて伝播できる調整後サンプルを得る。
その結果,残差パラメータの不確かさと条件付きサロゲートの不確かさを組み合わせ,不確実性を考慮した価格間隔が生じる。
後部推論のための情報理論的説明可能性法であるHellinger-SHAPについても紹介する。
単一のパラメータポイント推定に寄与するのではなく、局所背景のカーネルSHAPを後部から後部までの機能的収縮に応用する。
これは、個々のrHestonパラメータに対する後続情報ゲインに関連する成熟度-マネーネス領域を特定する。
シミュレーションスタディでは、後続予測区間は前方始動、障壁、実効分散のクレームにわたって校正または保守的なカバレッジを提供し、一方、ポイントプラグインの価格は、選択された契約体制に対して実質的に信頼性が低い。
UQとXAI分析は共に、特定の事前予測モデルの下で、不確実性を認識したニューラルキャリブレーションと下流エキゾチックな価格設定のための透過的なフレームワークを提供する。
関連論文リスト
- Conformal risk control for model-form uncertainty in parametric non-intrusive reduced-order models [1.5749416770494706]
非侵入還元次モデル(NIROM)は、実験のコンピュータ設計からパラメトリック偏微分方程式を近似するための標準ツールとなっている。
しかしながら、これらの予測の信頼性を評価することは、特に外挿体制や限られた訓練データの下では大きな課題である。
本稿では,削減された基底の摂動表現と分布自由な共形型法を組み合わせることで,NIROMのモデル形式不確かさを定量化するためのフレームワークを提案する。
論文 参考訳（メタデータ） (2026-08-04T09:08:16Z) - Separating Intrinsic Ambiguity from Estimation Uncertainty in Deep Generative Models for Linear Inverse Problems [6.922232153871751]
深部生成モデルは、医学画像や科学的発見における逆問題に使われてきた。
後続の不確実性は、フォワード演算子に固有の曖昧さと推論によって伝播する不確実性を混合できるため、解釈が困難である。
内在的曖昧さを分離する後方不確実性の構造的分解を導入する。
論文 参考訳（メタデータ） (2026-05-14T16:45:19Z) - Instant Uncertainty Calibration of NeRFs Using a Meta-calibrator [60.47106421809998]
我々は,1つの前方パスを持つNeRFに対して不確実な校正を行うメタ校正器の概念を導入する。
メタキャリブレータは、見えないシーンを一般化し、NeRFの良好な校正と最先端の不確実性を実現できることを示す。
論文 参考訳（メタデータ） (2023-12-04T21:29:31Z) - Calibrating Neural Simulation-Based Inference with Differentiable
Coverage Probability [50.44439018155837]
ニューラルモデルのトレーニング目的に直接キャリブレーション項を含めることを提案する。
古典的なキャリブレーション誤差の定式化を緩和することにより、エンドツーエンドのバックプロパゲーションを可能にする。
既存の計算パイプラインに直接適用でき、信頼性の高いブラックボックス後部推論が可能である。
論文 参考訳（メタデータ） (2023-10-20T10:20:45Z) - Selective Nonparametric Regression via Testing [54.20569354303575]
本研究では,所定の点における条件分散の値に関する仮説を検証し,留置手順を開発する。
既存の手法とは異なり、提案手法は分散自体の値だけでなく、対応する分散予測器の不確実性についても考慮することができる。
論文 参考訳（メタデータ） (2023-09-28T13:04:11Z) - Quantifying predictive uncertainty of aphasia severity in stroke patients with sparse heteroscedastic Bayesian high-dimensional regression [47.1405366895538]
高次元データに対する疎線型回帰法は、通常、残留物が一定の分散を持つと仮定するが、これは実際には破ることができる。
本稿では,ヘテロセダスティック分割経験的ベイズ期待条件最大化アルゴリズムを用いて,高次元ヘテロセダスティック線形回帰モデルを推定する。
論文 参考訳（メタデータ） (2023-09-15T22:06:29Z) - Differentially Private Statistical Inference through $\beta$-Divergence
One Posterior Sampling [2.8544822698499255]
本稿では,モデルとデータ生成プロセス間の$beta$-divergenceの最小化を目標とした,一般化後部からの後部サンプリング手法を提案する。
これにより、基礎となるモデルの変更を必要とせずに、一般的に適用可能なプライベートな推定が可能になる。
我々は、$beta$D-Bayesが同一のプライバシー保証に対してより正確な推測を行うことを示す。
論文 参考訳（メタデータ） (2023-07-11T12:00:15Z) - Dense Uncertainty Estimation via an Ensemble-based Conditional Latent
Variable Model [68.34559610536614]
我々は、アレータリック不確実性はデータの固有の特性であり、偏見のないオラクルモデルでのみ正確に推定できると論じる。
そこで本研究では,軌道不確実性推定のためのオラクルモデルを近似するために,列車時の新しいサンプリングと選択戦略を提案する。
以上の結果から,提案手法は精度の高い決定論的結果と確実な不確実性推定の両方を達成できることが示唆された。
論文 参考訳（メタデータ） (2021-11-22T08:54:10Z) - Dense Uncertainty Estimation [62.23555922631451]
本稿では,ニューラルネットワークと不確実性推定手法について検討し,正確な決定論的予測と確実性推定の両方を実現する。
本研究では,アンサンブルに基づく手法と生成モデルに基づく手法の2つの不確実性推定法について検討し,それらの長所と短所を,完全/半端/弱度に制御されたフレームワークを用いて説明する。
論文 参考訳（メタデータ） (2021-10-13T01:23:48Z) - Improving Deterministic Uncertainty Estimation in Deep Learning for
Classification and Regression [30.112634874443494]
単一前方通過における不確かさを推定する新しいモデルを提案する。
提案手法では,バイリプシッツ特徴抽出器とガウス過程の誘導点を組み合わせ,ロバストかつ原理的不確実性推定を行う。
論文 参考訳（メタデータ） (2021-02-22T23:29:12Z)
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。