Neural SDE à partir de zéro
1/5Laisser le réseau apprendre l'EDS
Chaque modèle vu jusqu'ici -- Black-Scholes, Heston, SABR -- part d'une équation choisie par un humain. Vous choisissez l'EDS, puis vous calibrez quelques paramètres. Les EDS neuronales inversent la logique : laissez un réseau de neurones apprendre l'équation elle-même à partir des données.
Le workflow classique est le suivant : un humain écrit dS = f(S,t)·dW with a specific f (like σ·S, orσ·Sᵝ, ou quelque chose impliquant de la vol stochastique). Puis vous calibrez 3 à 5 paramètres sur les données de marché.
Le flux de travail d'une EDS neuronale : la dérive μ(S,t) et la diffusion σ(S,t) sont les sorties d'un réseau de neurones. Le réseau possède des milliers de paramètres (poids et biais). Vous l'entraînez en minimisant l'écart entre les prix du modèle et les prix d'options observés.
La modélisation classique, c'est choisir une recette et régler la température du four. La modélisation par EDS neuronale, c'est apprendre à un chef à inventer la recette en goûtant des milliers de plats (les prix observés) et en ajustant jusqu'à ce que le résultat corresponde à ce que le marché sert.
Pourquoi s'en donner la peine ? Parce que parfois aucune famille de modèles standard n'ajuste suffisamment bien les données. La dynamique du marché peut présenter des caractéristiques -- changements de régime, agrégation asymétrique, comportement dépendant de la trajectoire -- qu'aucun modèle à cinq paramètres ne peut capturer. Une EDS neuronale peut, en principe, approximer n'importe quelles fonctions continues de dérive et de diffusion. La question est de savoir si vous disposez d'assez de données et de rigueur pour l'entraîner de manière fiable.
Architecture
Le réseau est une architecture feedforward standard. Les entrées sont l'état courant du marché. Les sorties sont les coefficients de l'EDS. Le réseau EST le modèle.
Entrées : Prix spot S, temps t, et éventuellement des caractéristiques de marché comme la volatilité implicite courante, la pente du skew ou la forme de la structure par terme. Plus l'entrée est riche, plus le réseau dispose de contexte pour décider de la valeur de σ en ce point.
Couches cachées : Typiquement 2-4 couches de 32-128 neurones chacune. Activations ReLU ou softplus. Rien d'exotique. La magie n'est pas dans l'architecture, mais dans ce que le réseau apprend à représenter.
Sorties : La dérive μ(S,t) et la diffusion σ(S,t). La sortie de diffusion passe par une softplus ou une exponentielle pour garantir qu'elle reste positive. Ces deux nombres, évalués à l'état courant, définissent ce que fait l'EDS à cet instant.
Entraînement : Générez des trajectoires à partir de l'EDS neuronale via une discrétisation d'Euler-Maruyama. Valorisez les options le long de ces trajectoires par Monte Carlo. Comparez les prix du modèle aux prix de marché observés. Rétropropagez l'erreur de valorisation à travers la simulation des trajectoires jusqu'aux poids du réseau. C'est de la programmation différentiable appliquée aux processus stochastiques.
L'idée technique clé : l'ensemble du pipeline -- des poids du réseau aux coefficients de l'EDS, des trajectoires simulées aux prix d'options -- est différentiable. Vous pouvez calculer les gradients de la perte de valorisation par rapport à chaque poids du réseau. C'est ce qui rend l'entraînement faisable.
Deep hedging
Une fois l'EDS de la dynamique des prix apprise, l'étape naturelle suivante est d'apprendre aussi la couverture. Le deep hedging utilise un second réseau qui produit le ratio de couverture à chaque pas de temps, entraîné conjointement avec le modèle de valorisation.
La couverture classique calcule le delta analytiquement à partir du modèle : ∂C/∂S sous BS, ou une approximation numérique sous des modèles plus complexes. Cela ignore les coûts de transaction, l'impact de marché, le rééquilibrage discret et les contraintes de liquidité.
Le deep hedging dit : entraînez un réseau à produire le ratio de couverture δ(S, t, portefeuille) à chaque pas de temps. L'objectif d'entraînement n'est pas de minimiser l'erreur de suivi par rapport à un delta théorique. C'est de minimiser la variance réelle du P&L de couverture (ou la CVaR, ou toute autre mesure de risque), coûts de transaction inclus.
Le résultat : une stratégie de couverture consciente des frictions réelles que le delta classique ignore. En backtest, les stratégies de deep hedging affichent souvent un coût de couverture réalisé plus faible que le delta issu du modèle, en particulier pour :
1. Les régimes à coûts de transaction élevés. Le réseau apprend à se couvrir moins fréquemment quand les coûts sont élevés, en choisissant de fait une bande de non-transaction plus large.
2. Les sous-jacents illiquides. Le réseau apprend à utiliser des instruments liquides corrélés comme couvertures de substitution lorsque la couverture directe est coûteuse.
3. Les exotiques dépendants de la trajectoire. Là où aucune formule de delta simple n'existe, le réseau peut néanmoins apprendre des couvertures efficaces à partir de trajectoires simulées.
La version la plus puissante entraîne simultanément l'EDS de valorisation et le réseau de couverture. L'EDS apprend une dynamique cohérente avec les prix observés, et le réseau de couverture apprend à se couvrir sous cette dynamique. Les deux réseaux se régularisent mutuellement : l'EDS ne peut pas apprendre une dynamique irréaliste, car le réseau de couverture s'en sortirait mal, et réciproquement.
Ce que le réseau découvre
Quand vous inspectez la fonction apprise σ(S,t), elle ressemble souvent à une vol locale avec des caractéristiques stochastiques. Le réseau découvre par lui-même des structures que les humains ont mis des décennies à concevoir.
Entraînez une EDS neuronale sur des données d'options actions ou crypto, puis tracez la fonction de diffusion apprise σ(S,t) sous forme de carte de chaleur. Constats typiques :
Effet de levier. Le réseau apprend que σ(S,t) est plus élevé quand S est bas et plus faible quand S est haut. C'est exactement le mécanisme que Heston capture avec un ρ négatif et que CEV capture avec β < 1. Le réseau ne connaît pas ces modèles. Il trouve le motif dans les données.
Retour à la moyenne de la vol. Le σ appris tend à être élevé après de récents mouvements de grande ampleur et revient vers un niveau de référence. Le réseau a découvert par lui-même le retour à la moyenne de type CIR que Heston code en dur.
Agrégation de la vol. Le réseau apprend que les états de forte vol persistent -- σ(S,t) reste élevé un certain temps après un pic. C'est l'agrégation de type GARCH que les praticiens connaissent bien mais que les modèles simples de vol stochastique peinent à reproduire.
Basculez entre les trois motifs ci-dessus. Chacun représente ce qu'une EDS neuronale entraînée sur différents régimes de données pourrait découvrir. L'important n'est pas que le réseau soit plus intelligent que Heston ou SABR. C'est qu'il aboutit à des structures similaires sans qu'on lui ait dit de les chercher. C'est une preuve solide que ces structures sont des caractéristiques réelles des données, et non des artefacts de la famille de modèles.
Le revers de la médaille : le réseau peut aussi découvrir des motifs fallacieux si les données sont bruitées ou si l'entraînement manque de rigueur. Un grand réseau entraîné sur des données maigres surajustera à merveille -- il mémorisera le bruit et l'appellera structure.
Considérations pratiques
Les EDS neuronales sont puissantes mais exigeantes. L'écart entre un article de recherche et un système en production est large. Connaissez les coûts avant de vous engager.
Cliquez sur Entraîner ci-dessus et observez la perte converger. Remarquez les trois phases : descente initiale rapide (le réseau apprend la structure d'ensemble), affinement plus lent (réglage fin des ailes et des queues) et plateau (rendements décroissants, risque potentiel de surajustement).
Besoins en données d'entraînement. Il vous faut assez de données de prix d'options pour contraindre une fonction de grande dimension. Pour un seul sous-jacent, cela signifie des mois ou des années d'instantanés quotidiens du smile sur plusieurs échéances. Des données éparses (peu de strikes, peu d'échéances) conduisent à des réseaux sous-déterminés qui surajustent.
Risque de surajustement. Un réseau de neurones à 10 000 paramètres peut mémoriser parfaitement 10 000 points de données. Cela ne veut pas dire qu'il a appris la dynamique. La régularisation (dropout, weight decay, arrêt précoce) est essentielle. La validation sur des données mises de côté est non négociable.
Interprétabilité. Un modèle Heston à cinq paramètres raconte une histoire : kappa dit ceci, rho dit cela. Une EDS neuronale est une boîte noire à 10 000 paramètres. Vous pouvez inspecter la fonction apprise (comme dans la carte de chaleur ci-dessus), mais vous ne pouvez pas pointer un seul nombre et dire « c'est la vitesse de retour à la moyenne ». Pour un desk de trading qui doit expliquer son modèle aux gestionnaires de risques, c'est un inconvénient sérieux.
Coût de calcul. L'entraînement exige des milliers de passes avant à travers l'EDS (trajectoires Monte Carlo), chacune nécessitant une rétropropagation à travers le réseau à chaque pas de temps. C'est plusieurs ordres de grandeur plus coûteux que la calibration de Heston ou SABR. L'inférence (valoriser une seule option avec le modèle entraîné) est rapide, mais la recalibration est lente.
Adoption actuelle. Les EDS neuronales et le deep hedging sont utilisés en recherche et par des hedge funds quantitatifs disposant de l'infrastructure nécessaire. Ils ne sont pas encore standard sur les desks vanille. Le montage de production typique : un modèle classique (Heston, SABR, SLV) pour la valorisation quotidienne, avec des méthodes neuronales réservées à des problèmes spécifiques à forte valeur où les modèles classiques échouent systématiquement.
Utilisez une EDS neuronale quand : (1) vous disposez de données riches et la famille de modèles classique rate toujours les mêmes motifs, (2) vous valorisez des instruments exotiques sans solution analytique propre, ou (3) vous avez besoin d'une stratégie de couverture qui tienne compte des frictions réelles. Ne l'utilisez pas quand un modèle à cinq paramètres suffit -- vous ajoutez de la complexité sans ajouter de valeur.
Pour aller plus loin :
Modèle de Heston -- la référence classique en vol stochastique
Vol locale stochastique -- calibration de qualité production avec dynamique
Rough Bergomi -- vol stochastique fractionnaire, la frontière avant les méthodes neuronales