目錄
1. 引言
呢篇論文提出一個熵動態框架，用嚟建模外匯匯率同為歐式期權定價。核心目標係為金融動態提供一個另類嘅、基於資訊理論嘅基礎，超越傳統嘅隨機微積分。作者 Mohammad Abedi 同 Daniel Bartolomeo 利用熵推論嘅原則——一種喺資訊唔完整情況下進行推理嘅方法——從基本原理推導出知名嘅金融模型。
呢項工作將最大熵同資訊幾何呢啲抽象概念同實用金融聯繫起嚟，最終推導出匯率嘅幾何布朗運動同外匯期權嘅Garman-Kohlhagen 模型。呢種方法突顯咗貨幣對內在嘅尺度不變性對稱，從而自然地選擇對匯率嘅對數進行建模。
2. 理論框架
2.1. 熵推論同最大熵
熵推論係一種用於資訊唔完整情況嘅歸納框架。佢嘅第一個工具係概率論，用嚟表示信念狀態。第二個係相對熵（或者叫 Kullback-Leibler 散度），用喺有新資訊到達時更新信念，遵循最小更新原則。最大化相對熵會產生一個包含所有可用資訊、偏見最少嘅後驗分佈。
第三個工具係資訊幾何，佢為概率分佈空間提供咗一個度量。雖然呢度唔深入探討，但作者指出佢對投資組合管理同多資產動態嘅潛在重要性。
2.2. 熵動態同時間
熵動態應用熵推論嚟建模系統點樣變化。一個關鍵創新係引入咗一個熵時間參數，呢個參數係湧現出嚟嘅，並且係針對特定系統而定制嘅，而唔係一個通用時鐘。呢個概念已經成功應用於多個物理學領域，而家被改編用於金融。
2.3. 外匯中嘅尺度不變性
外匯市場嘅一個基本對稱性係尺度不變性：動態唔應該取決於我哋係用 USD/EUR 定係佢嘅倒數形式報價。呢種對稱性決定咗模型應該用匯率嘅對數 $x = \ln S$ 嚟表述，其中 $S$ 係即期外匯匯率。當用 $x$ 表達時，像 $S \to \lambda S$（一個簡單嘅縮放）呢類變換會令動態保持不變。
3. 模型推導
3.1. 從熵原理到幾何布朗運動
從關於外匯匯率嘅先驗資訊（具體嚟講，係佢嘅初始值同波動率）出發，作者使用熵動態框架推導佢嘅時間演化。通過施加同市場觀察一致嘅約束（例如有限方差）並最大化熵，結果顯示未來對數匯率 $x$ 嘅概率分佈遵循一個漂移-擴散過程。
轉換返去即期匯率 $S = e^x$，呢個過程就變成熟悉嘅幾何布朗運動： $$ dS_t = \mu S_t dt + \sigma S_t dW_t $$ 其中 $\mu$ 係漂移率，$\sigma$ 係波動率，$W_t$ 係一個維納過程。呢個推導明顯尊重尺度不變性。
3.2. 風險中性測度同期權定價
要為衍生品定價，就需要援引無套利原則。作者展示咗點樣喺熵框架內推導一個風險中性測度 $\mathbb{Q}$。呢個過程涉及將 GBM 過程嘅漂移率調整為兩種貨幣之間嘅無風險利率差 $(r_d - r_f)$。
喺 $\mathbb{Q}$ 之下，動態變成： $$ dS_t = (r_d - r_f) S_t dt + \sigma S_t dW_t^{\mathbb{Q}} $$ 用呢個動態為外匯匯率嘅歐式看漲期權定價，直接導出Garman-Kohlhagen 公式，即係 Black-Scholes 公式嘅外匯版本。
4. 結果同討論
4.1. Garman-Kohlhagen 模型
熵推導嘅最終輸出係歐式看漲期權價格嘅 Garman-Kohlhagen 模型： $$ C = S_0 e^{-r_f T} \Phi(d_1) - K e^{-r_d T} \Phi(d_2) $$ 其中 $$ d_1 = \frac{\ln(S_0/K) + (r_d - r_f + \sigma^2/2)T}{\sigma\sqrt{T}}, \quad d_2 = d_1 - \sigma\sqrt{T} $$ $S_0$ 係即期匯率，$K$ 係行使價，$T$ 係到期時間，$r_d$ 同 $r_f$ 係本國同外國無風險利率，$\sigma$ 係波動率，$\Phi$ 係標準正態累積分佈函數。
4.2. 同傳統方法比較
呢篇論文嘅主要貢獻係方法論上嘅。佢唔係通過隨機微積分同對沖論證，而係通過一個基於熵最大化同對稱性嘅、資訊理論嘅、第一性原理方法，重新得出咗已確立嘅模型（GBM、Garman-Kohlhagen）。呢個為呢啲模型提供咗一個更深層次、更基礎嘅理據，並且為通過納入唔同或更複雜嘅資訊約束嚟推廣佢哋打開咗大門。
5. 核心洞見 & 分析師觀點
核心洞見：呢篇論文唔係關於一個新嘅、更好嘅定價公式；佢係一場哲學上嘅實力展示。佢主張，從 Bachelier 到 Black-Scholes，整個連續時間金融嘅大廈，都可以用資訊理論同最大熵原則從頭重建。作者基本上係話：「暫時唔好理伊藤引理；市場嘅行為，考慮到我哋所知嘅嘢，只係佢可以做嘅最唔令人驚訝嘅事。」呢個係一個深刻嘅轉變，從建模價格轉向建模關於價格嘅知識。
邏輯流程：論證優雅而簡潔。1) 我哋有唔完整嘅資訊（一個先驗分佈）。2) 我哋有對稱性（尺度不變性）。3) 我哋用改變最少嘅工具（最大相對熵）更新我哋嘅信念。4) 呢個更新，被解釋為動態，俾咗我哋 GBM。5) 無套利鎖定咗漂移率，俾咗我哋用於定價嘅風險中性測度。呢個係一個乾淨、由公理驅動嘅推導，相比之下，令傳統嘅偏微分方程/對沖論證睇起嚟幾乎有啲笨拙。
優點同缺點：優點係基礎嘅優雅性同推廣嘅潛力。正如喺物理學中 E.T. Jaynes 同後來 Caticha 嘅工作中所見，熵方法擅長從簡單原理推導出經典結果。缺點係，同好多優雅理論一樣，係同混亂現實之間嘅差距。呢個框架優雅地推導出 GBM，但 GBM 本身對於外匯嚟講係一個有缺陷嘅模型（佢低估咗尾部風險，忽略咗波動率聚集）。論文簡短提到咗未來關於跳躍同資訊幾何嘅工作，呢個先係真正嘅考驗所在。呢個框架係咪可以通過簡單加入正確嘅約束，就自然地納入市場嘅典型事實（例如，肥尾），抑或佢需要臨時調整從而稀釋佢嘅純粹性？
可行洞見：對於量化分析師同模型驗證員嚟講，呢篇論文係必讀嘅。佢為模型風險評估提供咗一個新視角。唔好只係測試模型嘅擬合度，要問：「呢個模型假設咗啲咩資訊？呢個資訊集係完整定係合適嘅？」對於創新者嚟講，路線圖好清晰。下一步係用呢個框架去建立新嘅模型。用關於觀察到嘅波動率微笑或跳躍頻率嘅資訊去約束熵最大化，正如作者提到 Bates 同 Heston 模型時所暗示嘅。獎品係一個連貫嘅、統一嘅衍生品定價理論，而唔係將唔相容嘅模型縫合埋一齊。Peters 同 Gell-Mann (2016) 關於遍歷性經濟學嘅工作表明，類似嘅基礎性反思正獲得關注。呢篇論文係朝呢個方向邁出嘅堅實一步，但市場將係佢喺哲學吸引力之外嘅效用嘅最終裁判。
6. 技術細節
數學核心涉及喺約束條件下，最大化後驗分佈 $P(x'|x)$ 相對於先驗 $Q(x'|x)$ 嘅相對熵 $\mathcal{S}[P|Q]$。一個關鍵約束係預期平方位移，佢引入咗波動率 $\sigma$： $$ \langle (\Delta x)^2 \rangle = \kappa dt $$ 其中 $\kappa$ 同波動率 $\sigma$ 有關。最大化會產生一個高斯轉移概率： $$ P(x'|x) \propto \exp\left(-\frac{(x' - x - \alpha dt)^2}{2\kappa dt}\right) $$ 喺連續極限下，呢個會導致 $x_t$ 嘅漂移-擴散隨機微分方程。通過將標準嘅風險中性估值論證應用於推導出嘅 GBM 過程，建立咗同 Black-Scholes-Merton 偏微分方程嘅聯繫。
7. 分析框架示例
案例：納入波動率微笑資訊。熵框架允許整合額外嘅市場數據。假設，除咗即期價格同歷史波動率，我哋仲有嚟自期權市場嘅資訊，暗示對數回報嘅風險中性分佈唔係高斯分佈，而係具有負偏度同超額峰度（一個波動率微笑）。
步驟 1：定義約束。除咗方差約束 $\langle (\Delta x)^2 \rangle = \sigma^2 dt$，我哋從觀察到嘅隱含波動率曲面加入矩約束： $$ \langle (\Delta x)^3 \rangle = \tilde{S} dt, \quad \langle (\Delta x)^4 \rangle - 3\langle (\Delta x)^2 \rangle^2 = \tilde{K} dt $$ 其中 $\tilde{S}$ 同 $\tilde{K}$ 捕捉每單位時間嘅偏度同峰度。
步驟 2：最大化熵。用呢四個約束（均值、方差、偏度、峰度）最大化相對熵，會導致一個由 Gram-Charlier 級數或一個更廣義嘅指數族分佈描述嘅轉移概率 $P(x'|x)$，而唔係一個簡單嘅高斯分佈。
步驟 3：推導動態。由此產生嘅連續時間極限將會係一個具有狀態依賴漂移同波動率嘅擴散過程，或者可能係一個跳躍-擴散過程，有效地從資訊第一性原理推導出類似 Bates 或 Heston 嘅模型，而唔係預先指定一個隨機波動率過程。
呢個示例展示咗框架通過明確地將更細粒度嘅市場資訊作為約束納入，從而系統地推廣模型嘅能力。
8. 未來應用 & 方向
熵動態框架為量化金融嘅未來研究開闢咗幾個有前景嘅途徑：
- 多資產投資組合 & 資訊幾何：作者提到將資訊幾何應用於投資組合選擇。呢個可能會導致基於當前市場分佈同目標最優分佈之間「距離」嘅新穎資產配置策略，超越均值-方差優化。
- 建模典型事實：呢個框架天生適合納入知名嘅經驗特徵，例如肥尾、波動率聚集同槓桿效應，方法係加入適當嘅動態約束，或者根據過去資訊令約束本身具有時間依賴性。
- 非平穩同機制轉換市場：相對熵中嘅先驗分佈 $Q$ 可以動態更新，以反映變化中嘅市場機制，可能為建立適應結構性斷裂嘅自適應模型提供一種有原則嘅方法。
- 行為金融整合：「資訊」約束可以擴展到包括投資者情緒或注意力嘅指標，彌合傳統量化金融同行為模型之間嘅差距。
- 機器學習協同效應：最大熵原則係許多機器學習方法嘅基石。呢個框架可以為混合機器學習-金融模型提供一個嚴格嘅資訊理論基礎，解釋點解某啲神經網絡架構或正則化技術對金融時間序列效果良好。
最終目標係一個統一嘅、基於公理嘅市場動態理論，佢既理論上健全又經驗上準確，減少今日金融工程中常見嘅臨時模型修補嘅需要。
9. 參考文獻
- Jaynes, E. T. (1957). Information Theory and Statistical Mechanics. Physical Review, 106(4), 620–630.
- Caticha, A. (2012). Entropic Inference and the Foundations of Physics. In Proceedings of the MaxEnt 2012 conference.
- Garman, M. B., & Kohlhagen, S. W. (1983). Foreign currency option values. Journal of International Money and Finance, 2(3), 231–237.
- Black, F., & Scholes, M. (1973). The pricing of options and corporate liabilities. Journal of Political Economy, 81(3), 637–654.
- Peters, O., & Gell-Mann, M. (2016). Evaluating gambles using dynamics. Chaos: An Interdisciplinary Journal of Nonlinear Science, 26(2), 023103. https://doi.org/10.1063/1.4940236
- Amari, S. I. (2016). Information Geometry and Its Applications. Springer.
- Bachelier, L. (1900). Théorie de la spéculation. Annales scientifiques de l'École Normale Supérieure, 3(17), 21–86.