用期权价格反推隐含波动率，有点像隔着磨砂玻璃认数字：平常还能看清，价格、执行价或期限走到极端时，一点报价误差就可能让答案大幅偏移。Amiriyan 和 Boutaib 的新方法，不让神经网络只靠数据硬猜，而是把 Black-Scholes 公式的渐近结构——变量趋向极端时呈现的规律——写进网络设计。
具体来说，模型用“门控函数”自动划分价格与对数价内程度所在的区域，再让不同的局部网络分别处理中央区和极端区，类似先判断路况，再交给更熟悉该路段的司机。作者报告称，这种结构相较普通前馈神经网络，部分测试中的相对精度可提高数个数量级。更实用的一点是：网络先给出初值，再由三阶 Householder 迭代法校正两次，便可接近机器精度。不过，这些效果目前来自论文的数值实验，真实市场数据下的速度与稳定性仍待验证。