深度粗糙波动率校准：后验不确定性量化与信息论可解释性

01 摘要

事实：作者开发了针对 rough Heston 校准的模拟推断框架，利用神经比率估计获得后验样本，并经异方差代理定价器传播，形成后验预测分布和价格区间；还提出 Hellinger-SHAP 方法，用局部背景 Kernel SHAP 归因后验信息泛函。模拟研究表明，后验预测区间在前向启动、障碍和已实现方差索赔上具有校准或保守覆盖，而点代入价格在部分合约情形可能明显不可靠。作者观点：该 UQ 与 XAI 分析为不确定性感知的神经校准及下游奇异期权定价提供了透明框架，但结论限于所指定的先验预测模型。

02 关键点

1. 提出基于模拟推断的 rHeston 校准框架，学习以 IV 曲面为条件的参数后验分布。
2. 将后验样本经异方差神经代理定价器传播，得到结合参数与代理不确定性的后验预测价格区间。
3. 提出 Hellinger-SHAP，对后验信息泛函进行局部背景 Kernel SHAP 归因，识别与各参数后验信息增益相关的期限—行权价区域。