householder

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。