Neural Tangent Kernel in Implied Volatility Forecasting: A Nonlinear Functional Autoregression Approach
隐含波动率预测中的神经切线核：非线性函数自回归方法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。
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：摘要的核心对象是期权隐含波动率曲面及其跨期限预测，直接对应金融波动率建模。
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
隐含波动率预测中的神经切线核：非线性函数自回归方法
- 研究问题
- 如何利用隐含波动率曲面的函数结构，在不同行权价相对水平和到期日上刻画高维曲面的非线性时间依赖并提高预测精度？
- 方法与思路
- 作者采用非线性函数自回归框架，以具有神经切线核参数化的神经网络描述曲面之间的非线性作用，并联系函数核回归。
- 材料陈述的贡献
- 摘要称函数神经切线核估计量具有理论和数值优势，在标普指数期权样本中预测更准确，并报告基于预测的跨式交易表现。
- 阅读关注点
- 应核对函数核构造、理论优势的适用条件、训练与预测样本划分，以及不同预测期限的基准比较和交易成本处理。
- 阅读边界
- 仅依据所给 OpenAlex 版本摘要；完整比较设计与交易成本处理未说明，摘要中的预测及交易表现不能直接外推，也不能推断刊本变化。
原文摘要
Forecasting implied volatility across different levels of moneyness and maturity is crucial yet challenging due to the high dimensionality of the Implied Volatility Surface (IVS) and the nonlinearity that characterizes its temporal dependence. We adopt a Nonlinear Functional Autoregressive (NFAR) framework to a sequence of IVS and employ neural networks that admit a Neural Tangent Kernel (NTK) parameterization to capture nonlinear interactions between surfaces. We illustrate the theoretical and numerical advantages of the proposed functional NTK (fNTK) estimator and establish a link to functional kernel regression. Our empirical analysis includes over 6 million European call and put options from the S&P 500 Index, covering January 2009 to December 2021. The results confirm the superior forecasting accuracy of the fNTK across different time horizons. When applied to short delta-neutral straddle trading, the fNTK achieves a Sharpe ratio ranging from 1.30 to 1.83 on a weekly to monthly basis, translating to 90% to 675% relative improvement in mean returns compared to forecasts based on functional Random Walk model.