声明
第1章 导论
1.1 研究背景
1.2 研究意义
1.3 综述
1.3.1 隐含波动率模型相关文献综述
1.3.2 卷积神经网络相关文献综述
1.4 内容和框架
1.5 创新与不足
第2章 隐含波动率模型的理论基础
2.1 BS模型与隐含波动率
2.2 隐含波动率的迭代算法
2.2.1 Newton迭代法
2.2.2 二分法
2.3 隐含波动率插值与曲面拟合
第3章 卷积神经网络的理论基础
3.1 卷积神经网络基本结构
3.1.1 卷积层
3.1.2 非线性激活函数
3.1.3 池化层
3.1.4 全连接层
3.2 卷积神经网络的训练
3.2.1 损失函数
3.2.2 优化器
3.2.3 后向传播过程
3.2.4 欠拟合与过拟合
3.2.5 正则化方法
第4章 基于卷积神经网络的隐含波动率曲面预测方案
4.1 实验平台与数据来源
4.2 数据预处理
4.2.1 调整分红与隐含波动率计算
4.2.2 数据筛选
4.2.3 描述性统计
4.3 样本集构造
4.3.1 特征确定
4.3.2 数据标准化
4.3.3 训练集与测试集生成
4.4 网络设计与训练
4.4.1 网络结构超参数设置
4.4.2 网络训练超参数设置
4.4.3 网络训练结果
4.4 稳健性与性能评估
4.5 超参数对模型性能的影响
4.5.1 卷积核尺寸
4.5.2 卷积核数目
4.5.3 网络深度
4.6 与其他深度学习方法对比
4.7 本章小结
结论
参考文献
致谢
吉林大学;