AI 词汇表
人工智能完整词典
深度学习期权定价
利用深度神经网络来估计金融期权的理论价值，特别是奇异期权，通过学习市场参数与期权价格之间的复杂关系。
用于定价的神经网络
专门为建模衍生品价格函数而设计的深度学习架构，以市场状态变量（即期价格、波动率、利率）为输入，输出期权的估值。
非参数学习
一种模型不对价格函数形式做任何先验假设的方法，使其能够捕捉复杂且非线性的市场动态，而不受布莱克-斯科尔斯等封闭模型的约束。
可微分蒙特卡洛方法
一种模拟标的资产价格路径的技术，其中的随机操作被设计为可微分的，从而允许通过定价误差梯度的反向传播来训练神经网络。
模型风险
因定价模型的规范、实施或使用中的错误而导致损失的风险，深度学习方法试图通过直接从市场数据学习来量化和降低这种风险。
物理信息神经网络 (PINN)
一种将金融学中的偏微分方程（如布莱克-斯科尔斯方程）整合到其损失函数中的神经网络，确保预测结果符合无套利的基本原则。
人工智能模型校准
使用基于人工智能的优化算法来调整定价模型参数（如波动率、跳跃）的过程，旨在最小化模型理论价格与市场观测价格之间的偏差。
隐含波动率曲面
隐含波动率随行权价（strike）和到期期限变化的三维表示，深度学习模型能够比传统方法更有效地学习对其进行插值和外推。
通过自动微分计算希腊字母
利用深度学习框架的自动微分能力计算期权价格的敏感性指标（Delta、Gamma、Vega、Theta），提供比有限差分法更高的精度和速度。
奇异期权定价
评估具有复杂和非标准收益结构的衍生品（例如：障碍期权、亚式期权、回望期权），深度学习模型在没有解析公式的情况下也能出色地捕捉路径依赖性。
用于金融时间序列的循环神经网络(RNN)
专为处理股票价格等序列数据而设计的深度学习架构，用于模拟标的资产的动态和市场场景，以进行路径依赖期权的定价。
无套利作为学习约束
将无套利机会的基本原则（单调性、凸性）直接纳入神经网络的架构或损失函数中，以确保价格在财务上的一致性。
用于市场模拟的生成对抗网络(GAN)
使用GAN生成现实的资产价格轨迹，捕捉金融市场的复杂统计特性（厚尾、波动性聚集），提高蒙特卡罗模拟在定价中的准确性。
用于期权对冲的强化学习
应用强化学习在具有交易成本和摩擦的市场环境中发现最优对冲策略，学习最小化投资组合风险的交易策略。
用于定价的量子神经网络(QNN)
新兴方法，利用量子计算原理加速期权价格的计算，特别是对于多标的资产产品，其计算空间在经典方法中呈指数增长。
深度学习自由边界方法
用于解决美式期权（提前行权）定价问题的技术，其中神经网络同时学习期权价格和最优行权边界，后者事先并不为人所知。
图神经网络 (GNN) 用于多资产产品定价
一种适用于建模投资组合或衍生品中多个标的资产之间复杂相关性和依赖关系的深度学习架构，通过将关系表示为图来实现。