结构化条件神经求解器提升随机波动率定价精度

01 摘要

针对物理信息神经网络在异质参数区域保持导数精度困难的问题，作者提出BeTINN，用多方向时间-参数条件和联合残差通路扩展时间诱导调制。在Heston随机波动率PDE上，BeTINN在归一化期权价值与一阶、二阶敏感性的联合精度上优于基线。作者认为结果支持结构化条件适应，并指出验证物理损失不能完全决定微分保真度；这些判断属于作者观点，尚需独立复现验证。

02 关键点

1. BeTINN通过多方向时间-参数条件和联合残差通路扩展时间诱导调制，面向参数化PDE解族。
2. 在Heston随机波动率PDE上，BeTINN在期权价值与关键敏感性指标的联合精度上相对基线有所提升。
3. 消融实验刻画各架构组件作用，并指出验证物理损失具有信息性但不能完全决定微分保真度。