给一排难度不同的题都限时十分钟，简单题会浪费时间，难题又可能算不准。粗糙 Heston 定价也有类似问题：它用带记忆的非马尔可夫动态描述短期波动，但每个傅里叶积分点——用于从特征函数还原期权价格的采样位置——都要额外求解一次分数阶 Riccati 方程，统一采用同样精细的时间网格往往很费算力。
Ben Hammouda 等人把两类误差放进同一套预算：一类来自 Riccati 方程的时间离散，另一类来自用有限采样点近似连续积分的数值求积。其单层方法按被积函数的衰减速度缩放 Gauss–Laguerre 求积；多层方法则组合粗、细分辨率，只用较少的昂贵计算修正便宜近似，并为各层分别选择积分点数。作者称，数值实验显示多层法比单层法节省计算，也在四组测试配置中取得低于 BL2 马尔可夫近似的总 CPU 时间；不过后者的因子选择借助了参考结果，比较边界需要保留。