Neural SDE / Deep Hedging
Chaque modèle présenté sur ce site -- SABR, SVI, Heston -- commence par choisir une formule puis ajuste ses paramètres aux données. Un Neural SDE inverse cette logique : il utilise un réseau de neurones pour apprendre la formule elle-même directement à partir des données de marché. Le réseau découvre les fonctions de dérive et de diffusion qui expliquent le mieux les prix observés, et la surface de volatilité en découle comme sous-produit.
Le réseau apprend l'équation
Les modèles classiques disent « la volatilité suit cette équation » et ajustent les paramètres. Un Neural SDE dit « la volatilité suit une certaine équation » et le réseau détermine laquelle. La surface de volatilité implicite est un résultat du modèle appris, et non une forme supposée à l'avance.
Voir en action
Comparez la façon dont les approches classiques, paramétriques et neuronales traitent les mêmes données de marché dans différentes conditions.
SDE neuronale vs modèles classiques
Basculez entre les scénarios pour voir comment chaque approche gère différentes conditions de marché. En régime de stress ou de données éparses, la SDE neuronale s'adapte là où les modèles paramétriques sont contraints par leur forme prédéfinie.
Comment ça fonctionne
1. Apprendre la dynamique, pas la forme
Un SDE standard pour le prix et la volatilité ressemble à : dS = ... dt + ... dW. Les modèles classiques remplissent les « ... » avec des formules spécifiques (SABR utilise le CEV avec une vol-of-vol stochastique). Un Neural SDE remplace ces formules par des réseaux de neurones entraînés sur des données historiques. Le réseau apprend à la fois le comportement moyen (dérive) et le caractère aléatoire (diffusion) à partir de zéro. Il peut découvrir des motifs de skew et des formes de structure par terme que les modèles paramétriques ne peuvent pas anticiper.
2. Deep Hedging : apprendre la couverture, pas seulement le prix
Le Deep Hedging (Buehler, Gonon, Teichmann & Wood, 2019) étend cette idée. Au lieu de valoriser une option puis de calculer un ratio de couverture à partir d'un modèle, vous entraînez un réseau à produire directement la position de couverture optimale à chaque pas de temps. Le réseau apprend conjointement les expositions au delta et au véga. L'objectif d'entraînement : minimiser la variance du P&L de couverture dans des conditions de marché réelles -- y compris les coûts de transaction, les spreads bid-ask, le rééquilibrage discret et les contraintes de liquidité. Aucune hypothèse de marché sans friction n'est nécessaire.
3. La surface de volatilité émerge
Une fois le Neural SDE entraîné, vous pouvez générer la surface de volatilité implicite en valorisant des options vanille via le modèle appris. La surface résultante n'est contrainte par aucune forme paramétrique -- elle capture tous les motifs présents dans les données, y compris ceux que SVI ou SABR manqueraient structurellement. Les régions ATM et OTM sont ajustées simultanément.
Capture une dynamique que les modèles paramétriques manquent
Les Neural SDE capturent une dynamique de volatilité que les modèles paramétriques ne peuvent pas : changements de régime, effets dépendants du chemin et propagations inter-actifs. Le Deep Hedging tient compte des coûts que la couverture en delta classique ignore. Gourmands en données et coûteux en calcul, mais c'est vers là que se dirige la finance quantitative.
Forces et limites
Pertinence pour la crypto
Les marchés crypto conviennent naturellement aux Neural SDE car la dynamique de la volatilité y est mal comprise et évolue rapidement. Il n'y a pas de consensus sur le fait que la volatilité du BTC soit mieux modélisée par SABR, Heston, la rough vol ou tout autre chose. Un Neural SDE contourne ce débat en apprenant quelle que soit la dynamique contenue dans les données -- y compris des motifs violant Black-Scholes comme les changements de régime. Le principal obstacle est la donnée : les marchés d'options crypto sont jeunes et l'ensemble d'entraînement est réduit comparé aux actions ou aux taux.
Modèles appris, couvertures apprises
Les Neural SDE remplacent les modèles de volatilité choisis à la main par des modèles appris. Le Deep Hedging remplace les ratios de couverture théoriques par des ratios conscients des frictions. Le compromis : interprétabilité, besoins en données et coût de calcul. Pour l'instant, ce sont des outils de recherche -- mais ils définissent la frontière.
Explorateur d'équations
Convertissez entre volatilité implicite, variance totale, log-moneyness et prix d'option.
Explorateur d'équations
💡 Conseil : Essayez de répondre à chaque question vous-même avant de révéler la réponse.
Développer l'intuition mathématique
Apprenez les Neural SDE à partir de zéroLeçon interactive · aucun prérequisCette leçon explique l'idée « apprendre l'équation » en termes simples, puis détaille comment le réseau apprend les fonctions de dérive et de diffusion et où le deep hedging s'inscrit dans le tableau.
Voir aussi :
- Modèle SABR -- Modèle classique de volatilité stochastique avec des paramètres interprétables
- Modèle Heston -- Volatilité stochastique à retour à la moyenne avec valorisation en forme fermée
- SANOS (surfaces non paramétriques) -- Ajustement non paramétrique avec absence d'arbitrage garantie
- Volatilité dépendante du chemin -- Une autre approche pilotée par les données qui utilise l'historique des trajectoires de prix
- Rough Bergomi -- Modèle de volatilité fractionnaire que les Neural SDE peuvent potentiellement remplacer