Black–Scholes model
PulseAugur coverage of Black–Scholes model — every cluster mentioning Black–Scholes model across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
Headroom Desk 通过双语测试确保交易计算器准确性
Headroom Desk 为其免费交易计算器开发了严格的测试方法,通过将 JavaScript 实现与 Python 参考进行比较来确保准确性。该系统生成 3,123 个测试向量,以验证涉及精确分和 Black-Scholes 等金融模型的计算。该公司强调精确算术而非浮点精度对维护用户信任的重要性,并明确说明了其模型的局限性,例如不包含费用或股息。底层引擎也可作为 MCP 服务器供 AI 助手使用。
-
新型神经网络增强Black-Scholes隐含波动率计算
研究人员开发了一系列新的神经网络架构,旨在改进Black-Scholes隐含波动率的计算。这些模型通过学习价格-对数价外性域的可训练划分,利用Black-Scholes定价函数在不同波动率状态下的独特行为。提出的架构在这些区域内结合了专门的局部近似,与标准的向前馈送网络相比,表现出更高的准确性和泛化能力。此外,该神经网络的输出可作为三阶Householder方案的高度准确的初始猜测,从而能够以最少的精炼迭代实现接近机器精度的计算。
-
新的PIVOT系统连接期权定价与隐含波动率目标
研究人员开发了PIVOT,一个旨在弥合期权学习模型中价格和隐含波动率(IV)目标之间差距的新颖系统。PIVOT利用一个可微分的Jäckel算子来保持现有求解器的效率,同时提供一个处理低Vega状态下奇异性的反向传播。这种方法显著提高了准确性,在SPX OptionMetrics数据上,持有期价格平均绝对误差(MAE)降低了43.4%,价格和IV联合MAE提高了21.3%。