RIDGE: An Autonomous Framework for Validation and Method Discovery in LLM-Generated Option Pricing
作者: Liexin Cheng, Xue Cheng, Shuaiqiang Liu, Cornelis W. Oosterlee
分类: q-fin.CP, cs.AI
发布日期: 2026-07-28
备注: 31 pages
🔗 代码/项目: GITHUB
💡 一句话要点
提出RIDGE框架以验证和发现LLM生成的期权定价方法
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 自动化代码生成 量化金融 期权定价 验证框架 随机波动率模型 无套利测试 知识库
📋 核心要点
- 现有的期权定价实现验证方法无法满足数学一致性和数值稳定性的要求，导致潜在的实现缺陷。
- RIDGE框架通过结构化的测试和知识积累，提供了一种系统的验证和改进机制，确保生成的定价实现的可靠性。
- 在五个随机波动率模型的应用中，RIDGE成功消除了所有实现缺陷，并推动了新的定价方法的发现。
📝 摘要（中文）
自动化代码生成在量化金融中变得越来越重要，尤其是大型语言模型能够直接从数学模型规范生成期权定价实现。然而，验证这些实现需要超出传统软件测试的要求：数值定价方法必须在数学上保持一致、在数值上稳定，并在广泛的模型参数下可靠。本文介绍了RIDGE，一个自主验证框架，通过结构化的无套利测试、压力测试、基准比较和一致性检查来验证生成的定价实现。验证证据以诊断方式进行解释，所获得的知识被积累在一个库中，并在模型和后续验证迭代中重复使用。这使得定价实现和验证方法论的系统性改进成为可能。该框架应用于五个随机波动率模型，所有检测到的实现缺陷均被消除，并且在两个案例中，验证过程本身导致了新的半解析定价方法。
🔬 方法详解
问题定义：本文旨在解决LLM生成的期权定价实现的验证问题，现有方法在数学一致性和数值稳定性方面存在不足，无法有效识别实现缺陷。
核心思路：RIDGE框架通过结构化的无套利测试、压力测试和一致性检查，提供了一种全面的验证机制，同时通过知识库的积累实现对模型的系统性改进。
技术框架：RIDGE的整体架构包括生成的定价实现、验证模块和知识库。验证模块负责执行各种测试并收集结果，知识库则用于存储和重用验证知识。
关键创新：RIDGE的主要创新在于其自主验证能力和知识积累机制，使得验证过程不仅是一次性的，而是一个持续改进的循环，与传统方法相比，能够更有效地发现和修复实现缺陷。
关键设计：RIDGE框架中，关键参数包括测试的结构化设计和知识库的管理策略，确保验证过程的高效性和准确性。
🖼️ 关键图片
📊 实验亮点
在对五个随机波动率模型的实验中，RIDGE框架成功检测并消除了所有实现缺陷，并在两个案例中推动了新的半解析定价方法的发现，显示出其在期权定价领域的显著提升和创新能力。
🎯 应用场景
该研究的潜在应用领域包括量化金融、风险管理和金融工程等。通过提供可靠的期权定价实现验证，RIDGE框架能够帮助金融机构提高定价模型的准确性和稳定性，从而在市场波动中更好地管理风险。未来，该框架还可能扩展到其他金融衍生品的定价和验证中。
📄 摘要（原文）
Automated code generation is becoming an important tool in quantitative finance, where large language models can generate option pricing implementations directly from mathematical model specifications. Validating such implementations, however, requires considerably more than conventional software testing: numerical pricing methods must remain mathematically consistent, numerically stable, and reliable across a wide range of model parameters. We introduce RIDGE, an autonomous validation framework in which generated pricing implementations are subjected to structured no-arbitrage tests, stress tests, benchmark comparisons, and consistency checks. Validation evidence is interpreted diagnostically, while the resulting knowledge is accumulated in a repository and reused across models and successive validation iterations. This enables systematic refinement of both the pricing implementation and the validation methodology. The framework is applied to five stochastic volatility models. Across these studies, all detected implementation defects are removed and, in two cases, the validation process itself leads to new semi-analytic pricing methodologies. The supplementary material is available in the GitHub repository: https://github.com/ShQiangLiu/ridge.