Calibrer un arbre binomial complet avec un réseau neuronal

Un modèle discret construit par le réseau

Andrea Molent et Michel Vellekoop proposent de calibrer directement un arbre binomial recombiné à partir de prix d'options. Le réseau ne prédit pas seulement des paramètres : il déforme les nœuds et les probabilités du modèle discret. La sortie reste interprétable, complète et contrôlable par une condition locale d'absence d'arbitrage.

Pour chaque nœud, le successeur bas doit rester inférieur au prix courant actualisé, lui-même inférieur au successeur haut. L'initialisation est admissible et une pénalité renforce cette propriété pendant l'entraînement. Les contrôles ex post satisfont la condition pour tous les arbres calibrés rapportés.

Perte et données

La perte combine l'erreur de repricing, une pénalité d'admissibilité et, éventuellement, une régularisation spatiale. Les auteurs testent d'abord une volatilité locale synthétique, puis des options SPX. Le réseau comporte deux couches cachées ReLU ; l'optimisation utilise Adam, un learning rate cyclique et 8 000 epochs sur le synthétique, 16 000 sur SPX.

Les expériences obtiennent une repricing précise et des performances compétitives avec la calibration neuronale, tout en gardant la structure de l'arbre lisible. Cette structure facilite aussi l'extension vers des options américaines et l'exercice anticipé.

Interprétation éditoriale

La force de la méthode est de placer la contrainte financière dans l'objet produit, au lieu de vérifier après coup une surface continue difficile à contrôler. Pour auditer un calibrage, on peut inspecter les nœuds, probabilités, écarts d'admissibilité et prix repricés.

Cette lisibilité a un coût : le modèle discret représente un point de vue particulier sur la dynamique. Une bonne erreur de prix ne signifie pas que la dynamique sous-jacente est identifiée, surtout lorsque les options observées sont peu nombreuses.

Limites et prudence

La méthode n'est pas un calibrateur de surface de volatilité locale continue. La récupération d'une surface riche à partir d'options clairsemées reste difficile, et le résultat dépend du maillage, de l'initialisation, des pénalités et de la qualité des prix. Les arbres calibrés ne sont pas une garantie de liquidité ni une recommandation de valorisation autonome.

Sources

Andrea Molent et Michel Vellekoop, « Neural Calibration of a Complete Market Model », ArXiv 2608.30867v1 : résumé et preprint, PDF.