論文の概要: Shapley-based Structural Analysis of Neural Calibration for Stochastic Volatility Models

• arxiv url: http://arxiv.org/abs/2610.03076v1
• Date: Fri, 02 Oct 2026 09:59:37 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-06 20:36:16.112306
• Title: Shapley-based Structural Analysis of Neural Calibration for Stochastic Volatility Models
• Title（参考訳）: 確率的ボラティリティモデルのためのシャプリーに基づくニューラルキャリブレーションの構造解析
• Abstract要約: 我々は,マルチ層パーセプトロン,ハイウェイ,ソフトマックスパラメタライズドハイウェイアーキテクチャにまたがるヘストンおよび粗ヘストンモデルのニューラルキャリブレーションマッピングを解析した。 我々はSHAPと$$SHAPの説明を考察し、特徴関連性の異なる相補的な概念を捉える。 この冗長性に基づいて、SHAPによる説明は、フルインプリートボラティリティ面に対するキャリブレーション精度を一致させながら、粗ヘストンモデルに対する入力次元の顕著な減少を導くことができることを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Neural network-based approaches have emerged as efficient alternatives to traditional optimization-based procedures for the calibration of stochastic volatility models. However, existing work has focused primarily on predictive accuracy, with comparatively little attention devoted to understanding the structure of the learned inverse calibration mappings. In this work, we analyze neural calibration mappings for the Heston and rough Heston models across multilayer perceptron, highway, and softmax-parametrized highway architectures, using complementary Shapley-based methods from explainable AI. Specifically, we consider SHAP and $ν$SHAP explanations, which capture distinct, complementary notions of feature relevance, corresponding to sensitivity and sufficiency of feature subsets, respectively. Short maturities and smile wings consistently dominate parameter inference, and the dominant attribution structure remains qualitatively stable across architectures despite differences in predictive accuracy and parameter count. Parameter-specific differences between SHAP and $ν$SHAP further reveal how distinct regions of the implied volatility surface contribute to parameter recovery and expose substantial redundancy in the calibration input. Building on this redundancy, we show that $ν$SHAP explanations can guide a significant reduction in input dimensionality for the rough Heston model while matching calibration accuracy relative to the full implied volatility surface. These findings demonstrate that complementary Shapley-based methods provide structural insight into learned inverse calibration mappings beyond predictive error metrics, and offer a practical route to feature selection in neural calibration problems.
• Abstract（参考訳）: ニューラルネットワークベースのアプローチは、確率的ボラティリティモデルのキャリブレーションのための従来の最適化ベースの手順に代わる効率的な代替手段として登場した。 しかし、既存の研究は主に予測精度に重点を置いており、学習された逆校正写像の構造を理解することにはほとんど関心が向けられていない。 本研究では,多層パーセプトロン,ハイウェイ,ソフトマックスパラメタライズドハイウェイアーキテクチャにまたがるヘストンモデルと粗いヘストンモデルのニューラルキャリブレーションマッピングを,説明可能なAIからの相補的シェープリー法を用いて解析する。 具体的には、特徴関連性の異なる相補的な概念を、それぞれ特徴部分集合の感度と十分性に対応するものとして、SHAPと$ν$SHAPの説明を考える。 短い成熟度と笑顔の翼はパラメータ推定を一貫して支配し、支配的な帰属構造は予測精度とパラメータ数の違いにもかかわらず、アーキテクチャ全体で質的に安定である。 SHAPと$ν$SHAPのパラメータ特異的な相違により、インプリッドボラティリティ表面の異なる領域がパラメータ回復に寄与し、キャリブレーション入力におけるかなりの冗長性が明らかになる。 この冗長性に基づいて、$ν$SHAPの説明は、フルインプリートボラティリティ面に対するキャリブレーション精度を一致させながら、粗ヘストンモデルに対する入力次元の顕著な減少を導くことができることを示す。 これらの結果から, 相補的なシェープリー法は, 予測誤差指標を超える学習逆校正マッピングの構造的洞察を与え, 神経校正問題における特徴選択の実践的経路を提供することが示された。

関連論文リスト

• Variational Parameter Calibration with Physics-Aware Latent-Space Surrogates [3.5829219417440368]
  本稿では,物理を意識したニューラルネットワークに基づく遅延空間フレームワークについて紹介する。 提案したオートエンコーダに基づくアプローチは,物理パラメータを潜在表現によって予測された流れ場にマッピングする,微分可能なサロゲートを与える。
  論文  参考訳（メタデータ） (2026-08-11T21:02:31Z)
• A Geometry-Aware Residual Correction of Hagan's SABR Implied Volatility Formula [3.0915521808748863]
  本稿では,SABR(Stochastic Alpha Beta Rho)インプットボラティリティの近似性を改善するためのハイブリッド手法を提案する。 この手法は、SABRモデルの微分方程式から導かれる幾何学的特徴を持つニューラルネットワーク入力表現を強化する。 この補正は、基盤となるモデルと軽量で構造的に整合しているため、実際の取引環境でのリアルタイムの価格設定とキャリブレーションに適している。
  論文  参考訳（メタデータ） (2026-05-07T17:22:39Z)
• From Coefficients to Directions: Rethinking Model Merging with Directional Alignment [66.99062575537555]
  パラメータと特徴空間の両面に一貫した方向構造を整列する,方向アライメント付きemphMerging(method)という統一幾何学的枠組みを導入する。 分析の結果、指向性アライメントは構造的コヒーレンスを改善し、ベンチマーク、モデルスケール、タスク構成にまたがる広範な実験により、我々のアプローチの有効性がさらに検証された。
  論文  参考訳（メタデータ） (2025-11-29T08:40:58Z)
• 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)
• Scaling and renormalization in high-dimensional regression [72.59731158970894]
  リッジ回帰に関する最近の結果について統一的な視点を提示する。 我々は、物理とディープラーニングの背景を持つ読者を対象に、ランダム行列理論と自由確率の基本的なツールを使用する。 我々の結果は拡張され、初期のスケーリング法則のモデルについて統一的な視点を提供する。
  論文  参考訳（メタデータ） (2024-05-01T15:59:00Z)
• Variational Bayesian surrogate modelling with application to robust design optimisation [0.9626666671366836]
  サロゲートモデルは複雑な計算モデルに対して素早く評価できる近似を提供する。 入力の不確かさと次元減少を伴う統計的代理を構築するためのベイズ推定について考察する。 コスト関数がモデル出力の平均および標準偏差の重み付け和に依存するような本質的で頑健な構造最適化問題を示す。
  論文  参考訳（メタデータ） (2024-04-23T09:22:35Z)
• Ensemble Kalman Filtering Meets Gaussian Process SSM for Non-Mean-Field and Online Inference [47.460898983429374]
  我々は,非平均場(NMF)変動推定フレームワークにアンサンブルカルマンフィルタ(EnKF)を導入し,潜在状態の後方分布を近似する。 EnKFとGPSSMのこの新しい結婚は、変分分布の学習における広範なパラメータ化の必要性をなくすだけでなく、エビデンスの下限(ELBO)の解釈可能でクローズドな近似を可能にする。 得られたEnKF支援オンラインアルゴリズムは、データ適合精度を確保しつつ、モデル正規化を組み込んで過度適合を緩和し、目的関数を具現化する。
  論文  参考訳（メタデータ） (2023-12-10T15:22:30Z)
• Multiplicative noise and heavy tails in stochastic optimization [62.993432503309485]
  経験的最適化は現代の機械学習の中心であるが、その成功における役割はまだ不明である。 分散による離散乗法雑音のパラメータによく現れることを示す。 最新のステップサイズやデータを含む重要な要素について、詳細な分析を行い、いずれも最先端のニューラルネットワークモデルで同様の結果を示す。
  論文  参考訳（メタデータ） (2020-06-11T09:58:01Z)
• A generative adversarial network approach to calibration of local stochastic volatility models [2.1485350418225244]
  局所ボラティリティ(LSV)モデルのキャリブレーションのための完全データ駆動手法を提案する。 我々は、フィードフォワードニューラルネットワークのファミリーによってレバレッジ関数をパラメータ化し、利用可能な市場オプション価格から直接パラメータを学習する。 これは、ニューラルSDEと(因果)生成的敵ネットワークの文脈で見る必要がある。
  論文  参考訳（メタデータ） (2020-05-05T21:26:20Z)

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。