Например:
2025/01/10 - Волатильность: 1.2, барьер: 1,5, купон 1.1
2025 /01/14 - Волатильность: 0,9, барьер: 1,55, купон 1.15
Краткое объяснение состоит в том, что купон выплачивается, когда барьера соблюдает.
у меня есть 15 функций для каждой даты события, включая состояние рынка в эту дату, и финансовые параметры, такие как волатильность и прямая цена. < /p>
Я хочу иметь возможность поместить переменную длину Последовательность (Diff Contracts может иметь различное количество дат барьеры/даты купонов) в сеть и получить цену.
Во -первых, я нормализовал все, включая момент времени, нормализованного до длины контракта < /p>
Сначала я подумал об использовании LSTM, но LSTM используются для прогнозирования последовательных данных. Это не последовательные данные, так как предыдущий шаг времени не связан со следующим шагом. Хотя существует зависимое от времени измерение для каждой из функций, поскольку каждая функция связана с точкой времени
Какой тип метода я должен использовать в этом случае?
Код: Выделить всё
Example feature matrix
Time barrier coupon volatility forward
0.1 1.1 1.4 1.5 0.98
0.3 0 0 1.3 0.97
0.9 1.4 1.6 0.3 0.95
0.95. 1.0. 1.8. 2.4. 0.97
Таким образом, это не данные временного ряда, поскольку это не последовательность во времени. Он просто представляет события и состояние среды, в которой находится контракт. Метод Монте-Карло с некоторыми из этих параметров рассчитает цену, но для этого мне нужно использовать ML
Подробнее здесь: https://stackoverflow.com/questions/793 ... -time-link
Мобильная версия