ニューラルSDE / ディープ・ヘッジング
このサイトで扱うモデル（SABR、SVI、Heston）はいずれも、まず数式を選び、そのパラメータをデータにフィットさせるところから始まります。ニューラルSDEはこれを逆転させます。ニューラルネットワークを使い、市場データから直接数式そのものを学習するのです。ネットワークは観測された価格を最もよく説明するドリフト関数と拡散関数を見つけ出し、ボラティリティ・サーフェスはその副産物として得られます。
ネットワークが方程式を学習する
古典的なモデルは「ボラティリティはこの方程式に従う」と定め、パラメータをフィットさせます。ニューラルSDEは「ボラティリティは何らかの方程式に従う」とだけ仮定し、それが何であるかをネットワークが見つけ出します。インプライド・ボラティリティのサーフェスは学習済みモデルの出力であり、あらかじめ仮定された形状ではありません。
実際に動かしてみる
古典的手法、パラメトリック手法、ニューラル手法が、異なる市場条件の下で同じ市場データをどのように扱うかを比較してみましょう。
ニューラルSDE vs 古典的モデル
シナリオを切り替えて、各アプローチがさまざまな市場環境にどう対応するかをご覧ください。ストレス時やデータが疎な局面では、パラメトリックモデルが想定した形状に制約されるのに対し、ニューラルSDEは柔軟に適応します。
仕組み
1. 形状ではなくダイナミクスを学習する
価格とボラティリティの標準的なSDEは dS = ... dt + ... dW という形をしています。古典的なモデルは「...」の部分に特定の数式を当てはめます（SABRは確率的なボラティリティ・オブ・ボラティリティを伴うCEVを用います）。ニューラルSDEはそれらの数式を、過去データで学習したニューラルネットワークに置き換えます。ネットワークは平均的な挙動（ドリフト）とランダム性（拡散）の両方をゼロから学習します。パラメトリックモデルでは想定できないスキューのパターンや期間構造の形状を発見できます。
2. ディープ・ヘッジング: 価格だけでなくヘッジを学習する
ディープ・ヘッジング（Buehler, Gonon, Teichmann & Wood, 2019）はこの考え方を拡張したものです。オプションの価格を算出してからモデルでヘッジ比率を計算するのではなく、各タイムステップにおける最適なヘッジポジションを直接出力するようネットワークを学習させます。ネットワークはデルタとベガのエクスポージャーを同時に学習します。学習の目的は、取引コスト、ビッド・アスク・スプレッド、離散的なリバランス、流動性制約を含む現実の市場条件の下で、ヘッジ損益の分散を最小化することです。摩擦のない市場という仮定は必要ありません。
3. ボラティリティ・サーフェスが浮かび上がる
ニューラルSDEの学習が済めば、学習済みモデルを通じてバニラオプションの価格を計算することで、インプライド・ボラティリティのサーフェスを生成できます。得られるサーフェスは特定のパラメトリックな形状に制約されません。データに存在するあらゆるパターンを捉え、SVIやSABRでは構造的に捉えきれないパターンも含まれます。ATMとOTMの両領域が同時にフィットされます。
パラメトリックモデルが見逃すダイナミクスを捉える
ニューラルSDEは、パラメトリックモデルでは捉えられないボラティリティのダイナミクス（レジーム転換、経路依存効果、資産間の波及効果）を捉えます。ディープ・ヘッジングは、古典的なデルタヘッジが無視するコストを考慮します。大量のデータと計算資源を必要としますが、クオンツ・ファイナンスはこの方向に進んでいます。
長所と限界
暗号資産との関連性
暗号資産市場はニューラルSDEと相性が良い分野です。ボラティリティのダイナミクスがよく理解されておらず、変化も速いためです。BTCのボラティリティをモデル化するのにSABR、Heston、ラフ・ボラティリティ、あるいはまったく別のモデルのどれが適しているかについて、コンセンサスはありません。ニューラルSDEは、レジーム転換のようなブラック・ショールズの前提に反するパターンも含め、データに含まれるあらゆるダイナミクスを学習することで、この議論を回避します。主な障害はデータです。暗号資産のオプション市場は歴史が浅く、学習データは株式や金利の市場と比べて少量です。
学習されたモデル、学習されたヘッジ
ニューラルSDEは、人が選んだボラティリティ・モデルを学習済みのモデルに置き換えます。ディープ・ヘッジングは、理論上のヘッジ比率を摩擦を考慮したものに置き換えます。トレードオフは解釈可能性、データ要件、計算コストです。現時点では研究用のツールですが、最前線を形作っています。
方程式エクスプローラー
インプライド・ボラティリティ、トータル・バリアンス、対数マネーネス、オプション価格を相互に変換できます。
数式エクスプローラー
💡 ヒント： 回答を見る前に自分で答えてみましょう。
数学的な直感を身につける
ニューラルSDEをゼロから学ぶインタラクティブレッスン · 前提知識は不要ですこのレッスンでは、「方程式を学習する」という考え方を平易な言葉で説明したうえで、 ネットワークがドリフト関数と拡散関数をどのように学習するのか、そしてディープ・ ヘッジングがその全体像のどこに位置づけられるのかを順を追って解説します。
関連項目:
- SABRモデル: 解釈可能なパラメータを持つ古典的な確率ボラティリティ・モデル
- Hestonモデル: 閉形式の価格式を持つ平均回帰型の確率ボラティリティ・モデル
- SANOS（ノンパラメトリック・サーフェス）: 無裁定性が保証されたノンパラメトリックなフィッティング
- 経路依存ボラティリティ: 価格経路の履歴を用いる、もう一つのデータ駆動型アプローチ
- ラフ・ベルゴミ: ニューラルSDEが置き換える可能性のある分数ボラティリティ・モデル