オプション価格設定の分野で重要な役割を果たすヘストンモデルの較正に、新たな深層学習手法が提案されました。研究者らは勾配ベースの深層学習フレームワークを開発し、深層微分ネットワーク（DDN）と名付けました。このDDNは、バニラオプションに対するヘストン価格設定式とモデルパラメータに関する偏微分の両方を同時に学習する能力を持っています。 従来のヘストン価格設定関数の勾配計算では、数値計算上の課題が生じることがあります。しかしこの新しいDDNアプローチでは、価格感応度（プライス・センシティビティ）を推定する際にそのような数値的な問題から解放されています。このため、このネットワークは勾配ベースの較正を高速で実行するための優れた価格設定エンジンとして機能します。 実際の株式市場データを用いた広範なテストの結果、DDNは従来の非微分型フィードフォワードニューラルネットワークと比べて、較正精度において大きく優れていることが確認されました。また、勾配情報を使用しないグローバルオプティマイザと比較して、計算時間を劇的に短縮することができます。 このDDNの開発により、オプション価格モデルの較正プロセスは、精度と計算効率の両面で著しく改善される可能性があり、金融機関のリスク管理やデリバティブ価格設定業務に対して実践的な価値をもたらすと期待されています。