Estoy investigando la idoneidad de utilizar el aprendizaje profundo para la fijación de precios y la calibración de toda la superficie de volatilidad implícita. Estos ejemplos de su aplicación se encuentran en documentos aquí y aquí . Durante los ejemplos, estos últimos lograron la tarea de calibración en apenas milisegundos, lo que supuso órdenes de magnitud más rápidos que las aproximaciones numéricas y los métodos monte carlo.
Sin embargo, me preguntaba cuáles podrían ser algunos de los inconvenientes de usar Deep Learning para esta tarea, y si había algún artículo o investigación que destacara este tema. El último artículo citaba "cálculos engorrosos" durante el entrenamiento, pero me preguntaba si había algún inconveniente relacionado, quizás, con la arquitectura de las redes de DL también.