期权隐含波动率曲面的抽样编译与预测方法研究
原始标题 / Compiling and forecasting implied volatility surfaces via survey sampling, tempered inverse-probability sequence learning, and causal activity clocks
该研究以NVDA股票与期权面板为对象，比较分层抽样与流动性加权PPS抽样在隐含波动率曲面重建中的误差表现，并检验PPS、Neyman与简单随机抽样在LSTM序列训练中的效率差异，同时评估价格与远期IV的可预测性及活动时钟对收益率分布的影响。
01 摘要
研究整合有限总体抽样、温度化逆概率序列学习与因果活动时钟，在一块拆股调整后的NVDA股票与期权面板上做曲面重建和预测评估。结果显示：抽样设计与目标函数的匹配决定截面精度；预测方面短期价格难以超越带漂移随机游走，远期IV的均值回复仅在少数冲击后反转时段显现且不显著。作者将活动时钟视为稳定采样节奏的工具，但相关判断仍属描述性证据。
02 关键点
- 分层配置按滞后单元格离散度分配可提升等权曲面重建并覆盖全网格，而流动性加权PPS在错配目标时反而放大误差。
- PPS与Neyman设计在LSTM训练中保留更多尾部波动窗口，并在设定容差内与全量训练等效、缩短训练时间，但相对简单随机抽样的增量预测优势未被证实。
- 短期价格未超越带漂移随机游走，远期IV的均值回复集中在少数冲击后反转时段且按交易时段聚类检验不显著，序列模型未胜过线性HAR-IV基准。
回到一手来源
阅读原文 ↗AI GENERATED SUMMARY / DISCOVERED BY ARXIV Q-FIN