作者
上市的:- 布莱恩·T·凯利
(耶鲁大学管理学院;AQR资本管理;NBER)
- 鲍里斯·库兹涅佐夫
(洛桑高等技术学院;瑞士金融学院)
- 塞米恩·马拉默德
(洛桑高等理工学院、瑞士金融学院和CEPR)
- 滕安德烈亚·徐(Teng Andrea Xu)
(洛桑理工学院)
摘要
我们开发了一种新的方法,利用机器学习(ML)中的图像识别技术从股票收益横截面的期权隐含波动率(IV)曲面中提取信息。我们确定的预测信息基本上与大多数现有的期权隐含特征无关,提供了更高的夏普比率,并且相对于一组标准和期权隐含因素具有显著的α值。我们展示了集合复杂性的优点:使用大规模ML模型集合可以获得最佳结果,集合大小的样本外性能会增加,当模型参数的数量显著超过观测值的数量时就会饱和。我们引入主线性特征,这是ML主成分的一种模拟,并使用它们来显示IV特征的复杂性:IV曲面的低阶旋转无法解释模型的性能。我们的结果对短期销售约束和交易成本是稳健的。
建议引用
Bryan T.Kelly和Boris Kuznetsov、Semyon Malamud和Teng Andrea Xu,2023年。"从隐含波动面进行深度学习,"瑞士金融研究所研究论文系列23-60岁,瑞士金融学院。手柄:RePEc:chf:rpseri:rp2360型
更正
本网站上的所有材料均由各自的出版商和作者提供。您可以帮助纠正错误和遗漏。请求更正时,请提及此项目的句柄:RePEc:chf:rpseri:rp2360。请参阅一般信息关于如何更正RePEc中的材料。
如果您编写了此项目,但尚未在RePEc注册,我们鼓励您这样做在这里。这允许将您的个人资料链接到此项目。它还允许您接受我们不确定的该项目的潜在引用。
我们没有这个项目的参考书目。您可以使用这个表格.
如果你知道引用这一条的缺失条目,你可以通过以与上述相同的方式为每个引用条目添加相关引用来帮助我们创建这些链接。如果您是该项目的注册作者,您可能还想查看您的RePEc作者服务个人资料,因为可能有一些引文等待确认。
有关此项目的技术问题,或更正其作者、标题、摘要、书目或下载信息,请联系:Ridima Mittal(以下电子邮件可用)。供应商的一般联系方式:https://edirc.repec.org/data/faeech.html.
请注意,更正可能需要几周时间才能筛选出来各种RePEc服务。