Universal Diffusion Models for Implied Volatility Surfaces: Learning Shared Dynamics Across Stocks
Aggiunta all'archivio di AIChronos il (numero del 19 settembre 2026 ricostruito)· fonte del · Mingzhi Yang, Sheng Wang, Chao Zhang, Ruikun Li
Il documento presenta un modello universale di diffusione condizionato progettato per generare congiuntamente gli incrementi della superficie implicita (IVS) e i rendimenti del sottostante su dati pooled da 50 azioni. L'obiettivo dell'addestramento è la minimizzazione dell'MSE, integrata con vincoli economici significativi come la regolarità della superficie e il penalizzante per le violazioni di arbitraggio statico. Il modello supera il benchmark VolGAN sia in-sample che out-of-sample nel ridurre le violazioni di arbitraggio e migliorare la previsione del rischio azionario. La capacità di estromissione efficace a azioni non incluse nell'addestramento dimostra che i dinamiche apprese sono condivisibili tra diverse attività finanziarie.
- Il modello unisce la generazione degli incrementi IVS e dei rendimenti del sottostante in una singola struttura di diffusione condizionata universale.
- L'architettura incorpora vincoli economici diretti, inclusa l'imposizione della regolarità della superficie e il penalizzante per le violazioni di arbitraggio statico.
- Le prestazioni superano significativamente il benchmark VolGAN nella riduzione delle violazioni di arbitraggio e nell'allineamento dei rapporti di varianza spiegata dai primi tre componenti principali.
- La validazione su set out-of-sample esclusi dall'addestramento conferma che le dinamiche apprese sono trasferibili tra diverse azioni senza bisogno di fine-tuning specifico per ciascuna.
- L'approccio offre un framework credibile per la generazione di scenari multi-asset della superficie implicita, utile sia al pricing che alla gestione del rischio.
Perché conta. ["Sebbene il dominio sia finanziario (IVS), l'architettura universale e i vincoli strutturati sono rilevanti per sviluppatori AI locale che costruiscono agenti o modelli generativi in grado di operare su dati multi-dominio con requisiti di coerenza fisica/economica.", "La capacità del modello di apprendere dinamiche condivisibili across stocks offre un paradigma ispiratore per tecniche come il few-shot learning o la generalizzazione cross-domain nei LLM, riducendo l'overhead computazionale tipico dell'inference su dataset eterogenei."]
Scheda generata automaticamente da un modello AI locale a partire dalla fonte originale: può contenere imprecisioni.