SigmaQuantSystems / lab

Stochastic volatility, kernel
classification & SSVI surfaces.

Trois modules numériques exécutés intégralement côté client. Heston Monte Carlo (Full Truncation Euler) avec Greeks par bumping et common random numbers. SVM dual via Sequential Minimal Optimization (Platt) sur kernels linéaire et RBF. Surface SSVI Gatheral-Jacquier (φ power-law / Heston-like) avec calibration Nelder-Mead.

BUILDv1.0 — pure JS
RUNTIMEbrowser only, no backend
RNGMulberry32, seedable
/ 01 — STOCHASTIC VOLATILITY

Heston Monte Carlo Pricer

Schéma Full Truncation Euler. Greeks calculés par différence finie centrée avec common random numbers (RNG seedé) pour réduire la variance.

PARAMETERS
HESTON DYNAMICS
SIMULATION
Feller: 2κθ > σ². Si non vérifié, FTE truncate v à 0.
OUTPUT / MONTE CARLO
IDLE
PRICE
—
DELTA
—
GAMMA
—
VEGA
—
RHO
—
schemeFull Truncation Euler
greekscentral FD + CRN
runtime—
/ 02 — SUPERVISED LEARNING

SVM Classifier — SMO solver

Sequential Minimal Optimization (Platt 1998, version simplifiée). Cliquez sur le canvas pour ajouter des points : clic gauche → classe sélectionnée, clic droit → classe inverse. Train pour optimiser α et b.

HYPERPARAMETERS
DATASET
Souris : clic gauche → classe sélectionnée, clic droit → inverse. Tactile : utilise la classe sélectionnée.
SVM / 2D DECISION SURFACE
+1 −1 SV
POINTS0
SUPPORT VEC0
ACCURACY—
ITER—
/ 03 — IMPLIED VOLATILITY SURFACE

SSVI — Surface SVI Parametric

Gatheral-Jacquier (2014). w(k,θ) = θ/2 [1 + ρφ(θ)k + √((φ(θ)k+ρ)²+(1−ρ²))]. Paramétrage interactif des sliders + calibration Nelder-Mead sur points marché.

PARAMETERS
VIEWPORT
35°
22°
SSVI / TOTAL VARIANCE SURFACE w(k,T) —
IV MIN—
IV MAX—
ATM IV @ T=1—
NO-ARB BFLY—
CALIBRATION
Saisir des points marché (T, k, IV) puis CALIBRATE pour optimiser ρ, η, γ (ou λ) par Nelder-Mead. Loss = Σ (IV_modèle − IV_obs)².
CALIBRATION OUTPUT
IDLE
RMSE—
iter—
ρ*—
η*—
γ* / λ*—
σ_ATM*—