Can a Machine Correct Option Pricing Models?
机器学习能否修正期权定价模型？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。
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：摘要直接修正参数化期权定价模型，并预测隐含波动率曲面，因此归入资产定价和波动率。
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…
机器学习能否修正期权定价模型？
- 研究问题
- 研究能否利用神经网络修正已拟合参数化期权模型的定价误差，改善隐含波动率曲面的样本外预测表现。
- 方法与思路
- 作者提出两步方法：先拟合参数化定价模型，再以前馈神经网络学习模型隐含的定价误差，并用标普五百期权数据检验。
- 材料陈述的贡献
- 摘要称，所测试模型经修正后的样本外表现均优于原模型，较少误设的模型经修正后也优于直接拟合曲面的神经网络。
- 阅读关注点
- 应核对误差学习的输入与目标、横截面和面板样本外划分、信息泄漏控制，以及定价误差指标和直接网络基准。
- 阅读边界
- 仅据所给 OpenAlex 版本摘要，不能将所测模型的优势推广为普遍保证；具体数值与后续刊本变化未核验。
原文摘要
We introduce a novel two-step approach to predict implied volatility surfaces. Given any fitted parametric option pricing model, we train a feedforward neural network on the model-implied pricing errors to correct for mispricing and boost performance. Using a large dataset of S&P 500 options, we test our nonparametric correction on several parametric models ranging from ad-hoc Black–Scholes to structural stochastic volatility models and demonstrate the boosted performance for each model. Out-of-sample prediction exercises in the cross-section and in the option panel show that machine-corrected models always outperform their respective original ones, often by a large extent. Our method is relatively indiscriminate, bringing pricing errors down to a similar magnitude regardless of the misspecification of the original parametric model. Even so, correcting models that are less misspecified usually leads to additional improvements in performance and also outperforms a neural network fitted directly to the implied volatility surface.