Estoy calibrando un modelo estocástico de 3 parámetros para los datos del mercado de opciones a través de la simulación de Monte Carlo. Dejemos que el conjunto de parámetros sea denotado por $\bar{\theta}$ . (no se trata de un modelo simple de tipo Black-Scholes, por lo que la calibración MC es la única forma posible de calibrar este modelo)
Ahora, mi pregunta es si debo tener una semilla fija para mi evaluación de la función objetivo, siendo la función objetivo el error cuadrático medio entre el valor de las opciones simuladas y el valor de las opciones implícitas en el mercado. Esto significa que cada vez que mi optimizador hace una llamada a la función objetivo con un conjunto de parámetros perturbados $\theta+\delta$ Estoy usando los mismos números aleatorios. Eliminando efectivamente el ruido de Monte Carlo. Pero, ¿es esto 'trampa', si es así el uso de gradientes de diferencias finitas para este tipo de problemas son inútiles (o?)
