神经定价器有点像一把看似准确、刻度却可能偏掉的尺：期权价格算得准，不等于价格随股价或波动率变化的幅度也算得准。后者就是希腊值——交易台设计和调整对冲时依赖的敏感度。Lara Rangel 与 Vazquez Mendoza 提出的 BeTINN，正试图补上这块短板。
它是一种 Physics-informed neural network——把定价方程和边界条件写进训练误差、无需大量现成价格标签的网络。作者让单个模型同时覆盖 Heston 随机波动率模型中的状态、期限和连续五维模型参数，合计八维输入；再用时间与参数共同调节网络，并加入直接处理全部输入的残差通路，以适应不同波动率状态。作者报告称，BeTINN 在其基线比较中取得了最好的价格与关键一、二阶敏感度综合精度。
更值得注意的是，论文发现：验证集上的方程误差较低，仍不能保证希腊值可靠；准确价格也可能与局部导数错误同时出现。换句话说，神经定价器不能只交一张“价格成绩单”，还得单独考对冲。论文未在所给材料中披露具体误差数字，结论仍以作者实验为准。