神经随机 Volterra 方程：学习路径相关动力学
内容提要
本文探讨了神经随机微分方程（Neural SDEs）在控制动力学模型、时间序列建模和风险评估中的应用，提出了SCOTCH结构学习、神经跳跃SDE和图神经SDE等新方法，展示了其在处理不规则时间序列数据和市场风险中的有效性。
延伸解读
神经随机微分方程的核心优势
神经随机微分方程将神经网络与随机微分方程结合，能够从数据中学习漂移和扩散函数，无需预设统计或密度功能。这使得它特别适合处理不规则时间序列数据，如不连续采样和缺失值。文章指出，通过选择适当的漂移和扩散函数，神经SDE在分布转移和不同缺失率下表现出鲁棒性，为时间序列建模提供了灵活且强大的框架。
结构学习与SCOTCH方法
SCOTCH是一种基于连续时间随机微分方程和变分推断的结构学习方法，能够自然地处理任意时间点的学习和预测观测。它在合规和非合规采样间隔下，在合成和真实数据集上均表现出良好的结构学习性能。这一方法为从不规则数据中学习潜在结构提供了新途径，尤其适用于观测时间点不固定的场景。
混合系统与跳跃随机微分方程
现实世界中的许多系统同时包含连续动态和离散跳跃，例如标记点过程。神经跳跃随机微分方程通过数据驱动的方式学习这种混合系统的动态行为，并在合成和真实数据集上展示了预测能力。这扩展了神经SDE的应用范围，使其能够处理更复杂的动态模式。
风险评估与图结构应用
神经SDE模型结合神经网络和经典风险模型，可根据市场数据进行一致性校准，并用于模拟市场场景以评估风险和对冲策略。此外，图神经随机微分方程通过布朗运动嵌入随机性，提升了图神经常微分方程的性能，尤其在不确定性评估和超出分布检测方面优于常规模型。这些应用展示了神经SDE在金融和图数据领域的潜力。
Q&A
神经随机微分方程的主要应用领域有哪些？
神经随机微分方程主要应用于控制动力学模型、时间序列建模和风险评估。
SCOTCH结构学习方法有什么特点？
SCOTCH结构学习方法能够处理任意时间点的学习和预测观测，表现出良好的结构学习性能。
如何结合传统方法与神经随机微分方程进行时间序列建模？
结合传统方法与神经随机微分方程，可以适应任意漂移和扩散的时间序列建模，无需预设统计或密度功能。
神经跳跃随机微分方程的应用是什么？
神经跳跃随机微分方程用于学习同时具有流动和跳跃的混合系统的动态行为，展示了其预测能力。
图神经随机微分方程的优势是什么？
图神经随机微分方程通过布朗运动嵌入随机性，提升了图神经常微分方程的性能，尤其在不确定性评估方面表现优越。
神经SDE模型如何用于市场风险评估？
神经SDE模型结合神经网络与经典风险模型，可以根据市场数据进行一致性校准，并用于模拟市场场景以评估风险和对冲策略。
