讲座学习: 4th WQF Blanka Horvath_Deep Hedging under Rough Volatility（一）

goldenRainTree

于 2021-06-19 08:36:00 发布

阅读量321

点赞数

CC 4.0 BY-SA版权

文章标签：深度学习

本文链接：https://blog.youkuaiyun.com/goldenRainTree/article/details/118044102

本次讲座由Blanka Horvath在2021年4th Women in Quantitative Finance Conference上进行，主要探讨了深度学习在粗糙波动率下的对冲策略。讲座对比了传统的数量金融方法与深度模型架构，强调了训练数据质量对深度神经网络（DNN）性能的影响，并指出使用历史数据作为训练数据的挑战，如市场非稳定性。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

讲座背景

The 4th Women in Quantitative Finance Conference (WQF)
2021-06-14 Deep Hedging under Rough Volatility by Blanka Horvath Lecturer, King’s College London and Researcher, The Alan Turing Institute
这个一小时的讲座主要基于Generating Financial Markets with Signatures，已于2021.06.09在Risk杂志刊登（pdf文档可以在这里下载)。这个讲座主要基于这篇文章，自己在2021.06.13的博文中也把这篇文章列入to read list。

讲座摘要

Classical QF vs Deep Model Architectures
- Classical: (Program or Algo; Data) => output
- - e.g. SABR model in pricing library, match the algorithms with the data in the market
- Now: Model = (Architecture, ObjF; TrainData) => Program, (Program, TestData) => output