Глава 155: Неявные нейронные представления в финансах (INRs & SIREN)

Обзор

Традиционное финансовое моделирование представляет данные на дискретных сетках (например, исторические цены в определенные моменты времени, поверхности волатильности в точках страйк/экспирация). Неявные нейронные представления (Implicit Neural Representations, INR) меняют эту парадигму, представляя финансовые данные как непрерывную функцию, параметризованную нейронной сетью.

В этой главе мы изучим SIREN (Sinusoidal Representation Networks) для моделирования поверхности подразумеваемой волатильности (IV Surface). В отличие от стандартных сетей на базе ReLU, SIREN использует периодические функции активации, что позволяет ей улавливать высокочастотные детали и, что более важно, вычислять производные (Греки) с экстремальной точностью.

Почему неявные представления важны для финансов?

Независимость от разрешения: После обучения вы можете запросить модель в любой координате (moneyness, время до экспирации), а не только в узлах сетки, использованных при обучении.
Аналитические Греки через Autograd: Поскольку модель является непрерывной дифференцируемой функцией, Греки, такие как Дельта ($\Delta$), Гамма ($\Gamma$) и Вега ($\nu$), могут быть рассчитаны напрямую через обратное распространение ошибки по координатам сети.
Отсутствие арбитража: Реальные поверхности волатильности должны удовлетворять условиям отсутствия арбитража. INRs позволяют встраивать эти ограничения напрямую в функцию потерь или архитектуру.
Эффективность памяти: Сложная поверхность волатильности может быть сжата в веса небольшой MLP-сети.

SIREN: Периодическая мощь

SIREN использует функцию активации $\text{sin}(\omega_0 \cdot \phi)$. Это критически важно, потому что:

Производная синуса — это косинус (еще одна периодическая функция).
Это позволяет сети сохранять свою “выразительность” через несколько слоев дифференцирования.
Это уникально подходит для моделирования поверхностей, где требуются гладкие производные второго порядка (например, Гамма).

Содержание

python/model.py: Реализация архитектуры SIREN на PyTorch.
python/train.py: Аппроксимация рыночных котировок в непрерывную IV-поверхность.
python/backtest.py: Расчет Греков и проверка ограничений на отсутствие арбитража.
rust/src/: Оптимизированная реализация на Rust для инференса и калибровки в реальном времени.

Ссылки

Sitzmann, V., Martel, J., Bergman, A., Lindell, D., & Wetzstein, G. (2020). Implicit Neural Representations with Periodic Activation Functions. arXiv:2006.09661.
HyperIV: Real-time implied volatility smoothing. University of Edinburgh research.