Neural SDE / Deep Hedging
Tous les modèles présentés sur ce site -- SABR, SVI, Heston -- commencent par choisir une formule, puis en calibrent les paramètres sur les données. Une Neural SDE inverse cette logique : elle 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 un sous-produit.
Le réseau apprend l'équation
Les modèles classiques affirment que la volatilité suit cette équation et en calibrent les paramètres. Une Neural SDE affirme que 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 classique, paramétrique et neuronale 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.
Fonctionnement
1. Apprendre la dynamique, pas la forme
Une SDE standard pour le prix et la volatilité s'écrit : dS = ... dt + ... dW. Les modèles classiques remplacent les « ... » par des formules spécifiques (SABR utilise un CEV avec une vol-of-vol stochastique). Une Neural SDE remplace ces formules par des réseaux de neurones entraînés sur des données historiques. Le réseau apprend à partir de zéro à la fois le comportement moyen (dérive) et la composante aléatoire (diffusion). 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) prolonge 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 en delta et en 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 frictions n'est nécessaire.
3. La surface de volatilité émerge
Une fois la Neural SDE entraînée, vous pouvez générer la surface de volatilité implicite en valorisant des options vanilles à travers le modèle appris. La surface obtenue 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 zones ATM et OTM sont calibrées simultanément.
Capture des dynamiques que les modèles paramétriques manquent
Les Neural SDE capturent des dynamiques de volatilité hors de portée des modèles paramétriques : changements de régime, effets dépendants de la trajectoire et contagion entre actifs. Le Deep Hedging tient compte des coûts que la couverture en delta classique ignore. Gourmandes en données et coûteuses en calcul, ces méthodes indiquent néanmoins la direction que prend la finance quantitative.
Forces et limites
Pertinence pour la crypto
Les marchés crypto se prêtent naturellement aux Neural SDE, car leur dynamique de volatilité est mal comprise et évolue rapidement. Il n'existe aucun consensus sur la question de savoir si la volatilité du BTC est mieux modélisée par SABR, Heston, la rough vol ou une approche entièrement différente. Une Neural SDE contourne ce débat en apprenant la dynamique contenue dans les données, quelle qu'elle soit -- y compris des motifs qui violent les hypothèses de Black-Scholes, comme les changements de régime. Le principal obstacle concerne les données : les marchés d'options crypto sont jeunes et le jeu d'entraînement est réduit par rapport aux marchés actions ou de 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 qui tiennent compte des frictions. Le compromis : interprétabilité, besoins en données et coût de calcul. Ce sont pour l'instant des outils de recherche, mais ils définissent la frontière du domaine.
Explorateur d'équations
Convertissez entre volatilité implicite, variance totale, log-moneyness et prix des options.
Explorateur d'équations
💡 Conseil : Essayez de répondre à chaque question vous-même avant de révéler la réponse.
Construire l'intuition mathématique
Apprendre les Neural SDE depuis zéroLeçon interactive · aucun prérequisCette leçon explique en termes simples l'idée d'« apprendre l'équation », puis détaille comment le réseau apprend les fonctions de dérive et de diffusion, et quelle place occupe le deep hedging dans ce cadre.
Voir aussi :
- Modèle SABR -- Modèle classique de volatilité stochastique aux paramètres interprétables
- Modèle de Heston -- Volatilité stochastique à retour à la moyenne avec valorisation en forme fermée
- SANOS (surfaces non paramétriques) -- Calibration non paramétrique avec absence d'arbitrage garantie
- Volatilité dépendante de la trajectoire -- Une autre approche fondée sur les données, qui exploite l'historique de la trajectoire des prix
- Rough Bergomi -- Modèle de volatilité fractionnaire que les Neural SDE pourraient remplacer