Neural SDE / Deep Hedging
Jedes Modell auf dieser Website -- SABR, SVI, Heston -- beginnt damit, eine Formel zu wählen, und passt anschließend deren Parameter an die Daten an. Eine Neural SDE kehrt dies um: Sie nutzt ein neuronales Netz, um die Formel selbst direkt aus Marktdaten zu lernen. Das Netz ermittelt die Drift- und Diffusionsfunktionen, die die beobachteten Preise am besten erklären, und die Volatilitätsoberfläche ergibt sich als Nebenprodukt.
Das Netz lernt die Gleichung
Klassische Modelle sagen: "Die Volatilität folgt dieser Gleichung", und passen Parameter an. Eine Neural SDE sagt: "Die Volatilität folgt irgendeiner Gleichung", und das Netz findet heraus, welcher. Die Oberfläche der impliziten Volatilität ist ein Ergebnis des gelernten Modells, keine im Voraus angenommene Form.
In Aktion sehen
Vergleichen Sie, wie klassische, parametrische und neuronale Ansätze dieselben Marktdaten unter unterschiedlichen Bedingungen verarbeiten.
Neuronale SDE vs. klassische Modelle
Wechseln Sie zwischen den Szenarien, um zu sehen, wie jeder Ansatz mit unterschiedlichen Marktbedingungen umgeht. In Stress- und Datenknappheitsregimen passt sich die neuronale SDE an, wo parametrische Modelle durch ihre vorgegebene Form eingeschränkt sind.
Funktionsweise
1. Die Dynamik lernen, nicht die Form
Eine Standard-SDE für Preis und Volatilität sieht so aus: dS = ... dt + ... dW. Klassische Modelle füllen die "..." mit konkreten Formeln (SABR verwendet CEV mit stochastischer Vol-of-Vol). Eine Neural SDE ersetzt diese Formeln durch neuronale Netze, die auf historischen Daten trainiert werden. Das Netz lernt sowohl das durchschnittliche Verhalten (Drift) als auch die Zufälligkeit (Diffusion) von Grund auf. Es kann Skew-Muster und Formen der Laufzeitstruktur entdecken, die parametrische Modelle nicht vorhersehen können.
2. Deep Hedging: die Absicherung lernen, nicht nur den Preis
Deep Hedging (Buehler, Gonon, Teichmann & Wood, 2019) erweitert diese Idee. Statt eine Option zu bewerten und anschließend aus einem Modell eine Hedge-Ratio zu berechnen, trainieren Sie ein Netz, das zu jedem Zeitschritt direkt die optimale Absicherungsposition ausgibt. Das Netz lernt Delta- und Vega-Exposures gemeinsam. Das Trainingsziel: die Varianz der Absicherungs-GuV unter realen Marktbedingungen minimieren -- einschließlich Transaktionskosten, Geld-Brief-Spreads, diskreter Neugewichtung und Liquiditätsbeschränkungen. Annahmen eines friktionslosen Marktes sind nicht nötig.
3. Die Volatilitätsoberfläche ergibt sich
Sobald die Neural SDE trainiert ist, können Sie die Oberfläche der impliziten Volatilität erzeugen, indem Sie Vanilla-Optionen mit dem gelernten Modell bewerten. Die resultierende Oberfläche ist an keine parametrische Form gebunden -- sie erfasst alle Muster, die in den Daten vorhanden sind, auch solche, die SVI oder SABR strukturell verfehlen würden. Sowohl ATM- als auch OTM-Bereiche werden gleichzeitig angepasst.
Erfasst Dynamiken, die parametrische Modelle verfehlen
Neural SDEs erfassen Volatilitätsdynamiken, die parametrische Modelle nicht abbilden können: Regimewechsel, pfadabhängige Effekte und Übertragungseffekte zwischen Assets. Deep Hedging berücksichtigt Kosten, die klassisches Delta-Hedging ignoriert. Datenhungrig und rechenintensiv, aber genau dorthin bewegt sich die quantitative Finanzwelt.
Stärken und Grenzen
Relevanz für Krypto
Kryptomärkte eignen sich besonders gut für Neural SDEs, da die Volatilitätsdynamik schlecht verstanden ist und sich schnell ändert. Es gibt keinen Konsens darüber, ob die BTC-Volatilität besser mit SABR, Heston, Rough Volatility oder etwas völlig anderem modelliert wird. Eine Neural SDE umgeht diese Debatte, indem sie die Dynamik lernt, die in den Daten steckt -- einschließlich Mustern wie Regimewechseln, die Black-Scholes verletzen. Das Haupthindernis sind die Daten: Krypto-Optionsmärkte sind jung, und der Trainingsdatensatz ist im Vergleich zu Aktien- oder Zinsmärkten klein.
Gelernte Modelle, gelernte Absicherungen
Neural SDEs ersetzen handverlesene Volatilitätsmodelle durch gelernte. Deep Hedging ersetzt theoretische Hedge-Ratios durch friktionsbewusste. Der Preis dafür: Interpretierbarkeit, Datenbedarf und Rechenaufwand. Vorerst Forschungswerkzeuge -- aber sie definieren die Grenze des Machbaren.
Gleichungs-Explorer
Rechnen Sie zwischen impliziter Volatilität, Gesamtvarianz, Log-Moneyness und Optionspreisen um.
Gleichungs-Explorer
💡 Tipp: Versuchen Sie jede Frage selbst zu beantworten bevor Sie die Antwort aufdecken.
Mathematische Intuition aufbauen
Neural SDEs von Grund auf lernenInteraktive Lektion · keine Vorkenntnisse nötigDiese Lektion erklärt die Idee, die Gleichung zu lernen, in einfacher Sprache und zeigt anschließend, wie das Netz Drift- und Diffusionsfunktionen lernt und wo Deep Hedging ins Bild passt.
Siehe auch:
- SABR-Modell -- Klassisches stochastisches Volatilitätsmodell mit interpretierbaren Parametern
- Heston-Modell -- Mean-revertierende stochastische Volatilität mit geschlossener Bewertungsformel
- SANOS (nichtparametrische Oberflächen) -- Nichtparametrische Anpassung mit garantierter Arbitragefreiheit
- Pfadabhängige Volatilität -- Ein weiterer datengetriebener Ansatz, der die Historie des Preispfads nutzt
- Rough Bergomi -- Fraktionales Volatilitätsmodell, das Neural SDEs potenziell ersetzen können