Compiling and forecasting implied volatility surfaces via survey sampling, tempered inverse-probability sequence learning, and causal activity clocks
Pubblicata su AIChronos il · fonte del · Deepak Bastola, Eli Prushansky
Lo studio integra campionamento di sondaggio a popolazione finita e apprendimento sequenziale inverso-probabilità temperato per compilare e prevedere le superfici della volatilità implicita (IV) su dati ad alta frequenza. L'analisi dimostra che la precisione trasversale dipende dall'allineamento del design di campionamento con l'obiettivo funzionale, mentre i disegni PPS conservano meglio le finestre di coda rispetto al semplice campionamento casuale nelle serie temporali LSTM. Sebbene non vi sia evidenza di superiorità delle selezioni informative sul SRS per il forecasting incrementale, gli orologi causali basati su volume e dollari stabilizzano i tassi dei bar durante espansioni di prezzo significative.
- L'accuratezza della ricostruzione della superficie IV dipende dall'allineamento tra il design del campionamento (es. stratificato o PPS) e la metrica target funzionale.
- I disegni di campionamento PPS e Neyman preservano più finestre di volatilità nella coda rispetto al semplice random sampling (SRS) durante l'addestramento LSTM longitudinale.
- Nessun modello sequenziale supera il benchmark lineare HAR-IV nel forecasting out-of-sample, con la pruning delle feature che guida la stabilità del sistema.
- Gli orologi causali basati su volume e dollari riducono la curtosi dei rendimenti intraday oltre le scale diurne durante forti espansioni di prezzo.
- La volatilità implicita mostra skill descrittiva di mean-reversion concentrata in poche sessioni post-shock, risultando statisticamente insignificante sotto test clusterizzati.
Perché conta. Sebbene il paper si concentri su mercati finanziari e non direttamente su LLM generativi, le tecniche presentate per gestire lo schema shift (schema shifts), l'eterogeneità dei contratti e la non stazionarietà sono fondamentali per costruire agenti AI robusti in ambienti di produzione dinamici.
Scheda generata automaticamente da un modello AI locale a partire dalla fonte originale: può contenere imprecisioni.