用 SHAP 与 νSHAP 剖析 Heston 与 rough Heston 的神经校准映射，发现短期限与微笑两翼主导参数推断，并据此压缩 rough Heston 的输入维度而保持校准精度
相关研究与后续进展
核心概要
该工作用 SHAP 与 νSHAP 两种互补的 Shapley 解释方法，分析多层感知机、highway 与 softmax 参数化 highway 三类架构下 Heston 与 rough Heston 的神经校准映射，发现短期限与隐含波动率微笑两翼持续主导参数推断、主导归因结构在不同架构间定性稳定，并利用 νSHAP 揭示的输入冗余在 rough Heston 上大幅降低输入维度同时保持与完整隐含波动率曲面相当的校准精度。
Figure 5.1. Global attribution heatmaps for the Heston model obtained from aggregated SHAP (above) and ν \nu SHAP (below) explanations using the softmax-parametrized highway architecture.
arXiv深度剖析
短期限与隐含波动率微笑两翼在 Heston 与 rough Heston 的参数推断中持续占据主导地位，且这一主导归因结构在不同网络架构间保持定性稳定。 以往神经校准研究主要关注预测精度，本文转向刻画所学逆校准映射的内部结构，把可解释 AI 的归因视角引入随机波动率校准。 基于 SHAP 与 νSHAP 两类互补归因方法，在多层感知机、highway 与 softmax 参数化 highway 三种架构上对 Heston 与 rough Heston 进行对比分析；摘要报告主导结构在预测精度与参数量存在差异的情况下仍定性稳定。
SHAP 与 νSHAP 在参数层面呈现差异，说明隐含波动率曲面的不同区域对参数恢复的贡献方式不同，并暴露出校准输入中存在显著冗余。 将特征相关性区分为敏感性与子集充分性两种互补概念，从而在参数级别揭示曲面区域与参数恢复之间的对应关系，而非仅给出单一重要性排序。 摘要指出 SHAP 与 νSHAP 分别对应特征子集的敏感性与充分性，二者的参数特异性差异被用于解释曲面区域对参数恢复的贡献并识别输入冗余。
利用 νSHAP 解释所揭示的冗余，可以在 rough Heston 模型上显著降低输入维度，同时达到与使用完整隐含波动率曲面相当的校准精度。 把归因分析从诊断工具推进为特征选择的实用路径，为神经校准问题提供可操作的降维方案。 摘要报告在 rough Heston 上以 νSHAP 指导的降维结果与完整隐含波动率曲面的校准精度相匹配。
启示与展望
该结果面向使用神经网络进行随机波动率模型校准的研究者与从业者，适用于以隐含波动率曲面为输入、以 Heston 与 rough Heston 为对象的逆校准设定，并覆盖多层感知机、highway 与 softmax 参数化 highway 三类架构。其价值在于把归因分析作为校准流程中的结构诊断与特征选择环节：短期限与微笑两翼的主导地位提示可优先关注这些曲面区域，而 νSHAP 指导的降维为 rough Heston 提供了一条在保持校准精度的同时压缩输入的路径。
当前可见文本为摘要，未给出降维的具体幅度、校准误差的量化对比、曲面网格与期限结构设定、训练数据规模以及归因方法的计算成本，因此无法判断降维在何种市场条件或曲面分辨率下依然稳健。SHAP 与 νSHAP 的参数特异性差异所对应的经济或数值机制，以及主导归因结构在更长期限、更极端微笑或不同噪声水平下是否保持稳定，仍是值得进一步观察的开放问题。