DYSANOS: 동적이고 매끄러우며 차익거래가 없는 비모수적 생성 옵션 표면
DYSANOS Generative Dynamic Smooth Arbitrage-free Non-parametric Option Surfaces
한국어 초록
본 논문은 정적 차익거래(static arbitrage)가 없으며 모든 행사가격과 만기에 대해 매끄러운 SANOS 옵션 표면을 생성하는 최초의 시장 모델(market model)인 DYSANOS를 제시합니다. 본 모델은 향후 수년간의 일별 기초자산 가격과 옵션 가격의 전체 경로를 생성하도록 설계되었습니다. 저자들은 다소 단순할 수 있지만 견고하고 유용한 기준선(baseline)으로서 AR(1) 형태의 모델을 제시합니다. 모델 설정, 데이터 파이프라인 및 학습을 논의하고 시장 재구성, 안정성, 꼬리 위험(tail behavior) 특성을 조사합니다. 2022년 1월 3일부터 2025년 8월 29일까지의 Option Metrics IvyDB S&P Index 표면 891개에 대한 모델 성능을 실증합니다. 또한 위험중립밀도(risk-neutral density)를 수치적으로 구성하는 방법을 제시합니다. 그 일환으로 주어진 측도 하에서 조건부 평균이 0인지 확인하는 새로운 검정법을 개발합니다. 100,000개의 시뮬레이션 경로에 대해 48개 옵션과 기초자산으로 구성된 거래 유니버스가 수치적으로 동적 차익거래가 없음을 보여줍니다.
원문 초록
This article presents with DYSANOS the first generative market model for smooth SANOS option surfaces for all strikes and expiries which are free of static arbitrage. Our model is designed to generate entire paths of daily spot and option prices for years in the future. We present a robust and useful if somewhat simplistic baseline in the form of an AR(1) model. We discuss model setup, data pipeline, and training and investigate market reconstruction, stability, and tail behavior. We illustrate model performance on 891 Option Metrics IvyDB S\&P Index surfaces from 2022-01-03 through to 2025-08-29. We also demonstrate how to construct numerically a risk-neutral density. As part of this we develop a new test for zero conditional means under a given measure. We show that for 100,000 simulated paths a trading universe of 48 options and spot is numerically free of dynamic arbitrage.
제출 이력
확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.
- arXiv:2608.12587v2
- arXiv:2608.12587v1제출 시각 미확인
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
VAIOM: 연속 입력·이산 출력 디코더 전용 금융 시퀀스 모델링
VAIOM: Continuous-Input, Discrete-Output Decoder-Only Financial Sequence Modeling
금융 관측값은 연속적이고 이질적이며 노이즈가 많은 반면, 디코더 전용 next-token 모델은 보통 이산적 기호 입력을 중심으로 구축된다. 우리는 1시간 외환 바에서 다음 수익률의 확률적 모델링을 위한 디코더 전용 트랜스포머인 순서형 수익률 모델링을 위한 벡터 입력 자회귀 추론(Vector-Input Autoregressive Inference for Ordinal-Return Modeling, VAIOM)을 제안한다. VAIOM은 입력 표현과 출력 가능도를 분리한다. 연속 다변량 금융 이벤트 벡터는 입력에서 수치 구조를 보존하고, 다음 변동성 정규화 수익률 버킷에 대한 범주형 분포는 교차 엔트로피 학습과 가능도 평가를 지원한다. 선별된 0.9M Hybrid Continuous Input 모델은 연속 이벤트 특징과 범주형 자산 메타데이터, Mixture-of-Market-States 수익률 헤드, Gap·변동성 체제·Ordinal 보조 목적 함수, 및 전체 시퀀스 지도 학습을 결합한다. 모델과 전처리는 2024년 이전 Train 데이터로 적합되며, 모델은 2024H2 Validation에서 선택되고 두 2025 Test 기간에서 재적합 없이 평가된다. 세 개의 독립적 학습 시드에 걸쳐 모든 모델은 두 Test 반기 모두에서 고정 단일 바 LightGBM 기준선을 능가한다. 표준 체크포인트에서 LightGBM 대비 쌍(pair) 이득은 이벤트당 0.029 및 0.043비트이다. 검증 실험은 동일한 범주형 수익률 목적 함수 하에서 연속 입력이 이산 토큰 입력보다 우수하고, 전체 시퀀스 지도 학습이 마지막 위치 학습보다 우수하며, 통제된 비교에서 보조 표현 형성과 혼합 구조화 수익률 헤드가 수익률 가능도를 향상시킴을 보여준다. 뒷받침 용량 연구는 현재 코퍼스에서 평가된 가장 작은 완전 아키텍처 단계가 가장 높은 검증 가능도를 달성함을 밝힌다.
일반화된 랑주뱅 역학을 위한 메모리 조건부 확산 모델
Memory-Conditioned Diffusion Model for Generalized Langevin Dynamics
일반화된 랑주뱅 방정식(Generalized Langevin equation)은 분해된 변수(resolved variable)의 진화가 과거에 의존하는 비마르코프 역학(non-Markovian dynamics)을 설명합니다. 본 연구에서는 메모리 커널(memory kernel)을 식별하거나 미분해 변수(unresolved variable)를 재구성하지 않고도, 관측된 궤적으로부터 이러한 역학의 확률적 흐름 맵(stochastic flow map)을 학습하기 위한 메모리 조건부 확산 기법을 제안합니다. 컴팩트하고 재귀적으로 업데이트되는 지수 필터 뱅크(bank of exponential filters)를 통해 흐름 맵은 긴 관측 윈도우에 조건을 부여하지 않고도 여러 시간 척도에 걸쳐 예측 이력을 유지할 수 있습니다. 다음 단계 분포는 현재 관측값과 이 메모리 상태를 조건으로 하며, 고정된 뱅크 크기에서 메모리 상태의 저장 및 업데이트 비용은 이력 길이와 무관합니다. 예측 기준을 통해 메모리 예산을 결정하고 벡터 벤치마크에서는 참조 지원 선택을 활용하며, 선택적 선형 투영을 통해 조건부 차원을 더욱 축소합니다. 커널 기반 스코어 추정기는 스코어 네트워크를 학습(training)시키지 않고도 조건부 샘플을 생성하며, 이 샘플들은 자기회귀 시뮬레이션을 위한 신경 흐름 맵을 학습하는 데 사용됩니다. 세 가지 수치 예제를 통해 작은 조건부 차원에서의 긴 메모리 유지력, 결합된 벡터 역학에서의 예측 압축, 비가우스 조건부 분포 및 간헐적 이벤트를 평가(evaluation)합니다. 비가우스 예제는 플라스마 스크레이프-오프 층(plasma scrape-off layer)의 확률적 모델에서 조건부 비대칭성과 버스트 통계를 재현합니다.
XALPHA: 가설-코드 알파 발굴을 위한 메모리 기반 AI 퀀트 리서처
XALPHA: A Memory-Driven AI Quant Researcher for Hypothesis-to-Code Alpha Discovery
금융 시장은 노이즈가 많고 비정상적이며 고차원적이어서 예측력 있고 강건한 트레이딩 신호를 발굴하기 어렵다. 알파 발굴은 수동 팩터 설계에서 머신러닝, 진화적 탐색, 최근의 대규모 언어 모델(LLM) 기반 프레임워크로 발전하며 팩터 생성, 탐색, 평가의 효율성을 높여왔다. 그러나 기존 방법들은 여전히 대부분 개별 단계를 자동화하는 데 그치며, 외부 지식을 흡수하고 가설-코드 검증 루프를 완결하며 축적된 발굴 피드백으로부터 학습하는 엔드-투-엔드 퀀트 리서처로 기능하지 못한다. 이러한 한계를 극복하기 위해, 우리는 연속적인 가설-코드 알파 발굴을 위한 메모리 기반 AI 퀀트 리서처 XAlpha를 소개한다. XAlpha는 보고서 기반 금융 지식과 이전 세대 및 리서치 사이클의 발굴 피드백을 통합하는 다중 소스 리서치 메모리 시스템을 유지한다. 이 메모리 시스템의 안내에 따라, Macro Brain은 리서치 테마를 계획하고 적합한 Archetype을 선택하며, Micro Brain은 계획된 가설 풀을 실행 가능한 팩터 코드로 변환하고 가설 아이디어, 코드 로직, 금융 타당성 간의 사전적 삼중 정렬(tri-alignment)을 검증하고, Cross Brain은 실증적 결과를 세대 수준의 피드백, 사이클 수준의 요약, 향후 탐험(exploration)을 위한 archetype 수준의 리서치 단서로 통합한다. 이를 통해 XAlpha는 알파 마이닝을 고립된 팩터 생성에서 지속적으로 읽고, 가설을 세우고, 구현하고, 검증(validation)하고, 반성하고, 진화하는 폐루프 리서치 프로세스로 전환한다. CSI300에 대한 실험에서 XAlpha는 대표적인 기준 방법들보다 전반적으로 강화된 알파 발굴 성능을 달성함을 보인다.
Diachronic Sample Integration: Robust Tail-Risk Estimation with Generative Models
A Better Alternative to Piecewise Linear Time Series Segmentation
ECGGuard: Deep Watermarking of Electrocardiogram Signals With Error-Correcting
토론
이 논문과 연결된 포럼 글이 아직 없습니다.