Machine learningComputational Methods

自动微分计算希腊值

自动微分（AD）是一种计算导数（希腊值）的计算技术，通过对计算期权价格的计算机代码进行微分来实现。AD 避免了手动推导公式和有限差分近似，能够以机器精度得到精确的敏感度。它已成为现代交易系统中实时风险管理的关键。

用 EconMind 应用即将推出Apply, compare, get guidance

Tools & resources

下载幻灯片

Learn & explore

视频即将推出

阅读完整方法

仅限会员

使用免费账户登录即可阅读本节。

方法图谱

相关方法的邻域——选择一个节点以展开探索。

自动微分计算希腊值

Bates模型局部波动率 (Dupire)无风险中性定价

来源

Giles, M. B. (2008). Adjoint code by automatic differentiation. Journal of Computational Finance, 12(1), 1-18. link ↗
Homescu, C. (2011). Adjoints and automatic differentiation in computational finance. arXiv:1107.1188. link ↗

如何引用本页

ScholarGate. (2026, June 3). Automatic Differentiation for Greeks Computation. ScholarGate. https://scholargate.app/zh/quantitative-finance/greeks-via-automatic-differentiation

选用哪种方法？

将本方法与其最相近的同类并置，并排研读——本馆将书籍铺陈于案上，取舍则由您定夺。

并排比较 →

Related reference concepts

伊藤公式伊藤微积分与随机积分有限差分法反向传播与优化布朗运动与随机微积分随机微分方程

发现本页有问题？报告或提出修改建议 →

阅读完整方法

方法图谱

来源

如何引用本页

相关方法

选用哪种方法？

Similar methods

Related reference concepts