报告中心

联邦储备系统论文：捕捉异质性：隐含波动率预测的机器学习方法（FEDS Paper: Capturing Heterogeneity: Machine Learn）

尽管在期权表面上的波动率动态中已经记录了异质性，但标准的隐含波动率预测模型在整个过程中应用了同质参数。我们引入了一个机器学习框架，该框架使用回归树沿着行权价和到期日两个维度对表面进行分区，识别出数据驱动的区域，在这些区域中，不同的预测模型表现最佳。通过扩展Dufays、Jacobs和Rombouts（2025年）的表面异质自回归（SHAR）框架，我们开发了基于树的SHAR规范，这些规范在保持可解释