A Bayesian take on option pricing with Gaussian processes
利用高斯过程进行期权定价的贝叶斯方法AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确使用局部波动率模型进行期权定价并估计波动率函数，直接对应资产定价与波动率方向。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
利用高斯过程进行期权定价的贝叶斯方法
- 研究问题
- 局部波动率期权定价模型需要估计潜在的状态依赖函数，如何以灵活方式完成校准，并同时量化校准结果的不确定性？
- 方法与思路
- 作者为局部波动率函数设置高斯过程先验，提出贝叶斯推断算法，以概率方式描述校准不确定性，并应用于标普五百市场数据。
- 材料陈述的贡献
- 摘要称该方法提供局部波动率函数的丰富表示及相应不确定性描述，并给出推断算法和市场数据应用。
- 阅读关注点
- 应核对高斯过程先验与观测模型、局部波动率函数的约束、推断算法的计算表现，以及不确定性如何传递到期权价格。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实。摘要未说明样本、先验敏感性或定价误差，不能判断相对其他校准法的表现。
原文摘要
Local volatility is a versatile option pricing model due to its state dependent diffusion coefficient. Calibration is, however, non-trivial as it involves both proposing a hypothesis model of the latent function and a method for fitting it to data. In this paper we present novel Bayesian inference with Gaussian process priors. We obtain a rich representation of the local volatility function with a probabilistic notion of uncertainty attached to the calibrate. We propose an inference algorithm and apply our approach to S&P 500 market data.