随机波动率模型是金融衍生产品定价方法的重要组成部分,其参数设定的准确度是金融机构对产品进行合理定价及价格预测的关键因素。金融市场根据金融产品价格波动率变动的规律,通过随机波动率模型刻画出隐含波动率曲面。当前,市场上普遍使用经典的Heston和SABR金融随机波动率模型对隐含波动率曲面进行刻画,但随着高频交易应用产生金融大数据现象,如何准确地刻画金融资产价格的隐含波动率曲面,成为传统随机波动率模型研究面临的困境。使用粗糙随机波动率模型进行模型替代则能有效解决这个难题,但由于粗糙随机波动率模型的非马尔科夫链性质,采用传统校准方法对粗糙随机波动率模型进行校准存在许多的问题,因此需要对传统的随机波动率模型及其校准手段进行改进。通过提出使用粗糙随机波动率模型及神经网络校准方法,能更加准确地对金融产品资产价格波动规律产生的隐含波动率曲面进行更加准确地刻画。针对上述存在的问题,本文通过对传统经典的随机波动率模型进行替换和使用神经网络两阶段校准方法对金融随机波动率模型进行校准,增强校准过程的透明度,不仅可以提高投资者对市场信息反应的速度,也有助于监管者维护金融市场秩序。本文研究的核心内容如下:一是引入分数布朗运动和Hurst参数构建粗糙随机波动率模型。本论文经过改良一般随机波动率模型,引入分数布朗运动和Hurst参数构建粗糙随机波动率模型。粗糙随机波动率构建金融资产定价模型中比一般随机波动率模型在刻画金融资产价格波动率规律上能达到更高的准确度,能更好应对金融市场高频交易产生的大量金融数据,克服一般随机波动率模型不能对高频数据的短期记忆行为进行有效拟合的问题,并且能通过模型参数的粗糙度对市场趋势做出判断。二是使用拉丁超立方抽样技术对样本数据生成方法进行改进。针对样本分布不均匀问题,使用拉丁超立方抽样的方法替代传统随机样本数据生成的方法。不同于传统随机抽样方法,拉丁超立方抽样方法能保证每个变量的范围达到全覆盖,方法是最大化使每一个边缘分布进行分层。本研究根据样本数据特征,使用拉丁超立方抽样方法生成训练数据,并对神经网络模型进行训练。这种样本数据生成方法使得生成的样本分布更加合理,提高了神经网络模型校准结果精确度。三是对神经网络两阶段校准模型的应用拓展。当前主流的金融随机波动率模型校准采用传统校准法,如马尔科夫链蒙特卡洛方法（Markov Chain Monte Carlo,MCMC）,但是该方法存在诸多问题。神经网络校准法作为一种高效的金融随机波动率模型的校准方法,对粗糙随机波动率模型校准在时间、效率及准确性上都比传统校准方法更有优势,但神经网络校准方法对粗糙随机波动率模型的校准应用尚属探索阶段,仍未有针对粗糙Heston模型进行神经网络校准的相关研究。因此,本文将引入神经网络两阶段模型校准方法对粗糙Heston模型进行校准,从而得到更高效的粗糙Heston模型校准方法。本文对神经网络模型结合LM（Levenberg-Marquarelt）算法的校准方法和马尔科夫链蒙特卡洛校准方法的基本原理进行研究,并讨论分析基于这两种方法对金融粗糙随机波动率模型参数校准的主要过程。最后通过这两种方法分别对两种金融粗糙随机波动率模型进行实证分析,并对两种粗糙随机波动率模型的四种校准结果之间进行比较分析。本文通过对国内外相关文献进行总结梳理,并对本文所涉及的实证研究分析得出如下结论:第一,理论上,粗糙随机波动率模型校准所采用的神经网络两阶段校准方法,能有效解决传统校准方法存在的效率低、速度慢的问题,并有助于解决一般神经网络校准存在的网络黑箱问题。第二,通过实证研究结果表明神经网络校准方法在对粗糙随机波动率模型校准上比传统的校准方法有着更高的准确度、更短的时间（速度是传统校准方法MCMC的上百倍）和更好的稳定性。