×

基于神经网络的无约束期权定价。 (英语) Zbl 1487.91162号

摘要:本文从期权定价中的无套利约束入手,开发了一种新的基于混合门控神经网络(hGNN)的期权估值模型。我们采用隐层的乘法结构来确保模型的可微性。我们还选择输入层的斜率和权重以满足无约束。同时,构建了一个单独的神经网络来预测期权隐含波动率。使用标准普尔500期权,我们的实证分析表明,hGNN模型在样本外预测和对冲练习中大大优于成熟的替代模型。卓越的预测性能源于我们的模型能够描述边界上的期权,并为产生更好对冲结果的期权希腊人提供分析表达式。

MSC公司:

91G60型 数值方法(包括蒙特卡罗方法)
68T05型 人工智能中的学习和自适应系统
91克20 衍生证券(期权定价、套期保值等)
91克70 统计方法;风险措施
PDF格式BibTeX公司 XML格式引用
全文: 内政部 链接

参考文献:

[1] Abu-Mostafa,Y.S.,从暗示中学习的方法,神经信息处理系统进展,573-80(1993)
[2] Abu-Mostafa,Y.S.,《从暗示中学习》,《复杂性杂志》,第10期,第165-178页(1994年)·Zbl 0802.68102号
[3] Abu-Mostafa,Y.S.,从暗示中学习的金融应用,神经信息处理系统进展,7411-418(1995)
[4] Ait-Sahalia,Y。;Duarte,J.,形状限制下的非参数期权定价,《计量经济学杂志》,116,9-47(2003)·Zbl 1016.62121号
[5] Andreou,P.C.(安德烈乌,P.C.)。;Charalambous,C。;Martzoukos,S.H.,《通过将人工神经网络和参数模型与隐含参数相结合来定价和交易欧洲期权》,《欧洲运筹学杂志》,1851415-1433(2008)·Zbl 1149.91311号
[6] Andreou,P.C。;Charalambous,C。;Martzoukos,S.H.,期权定价的广义参数函数,《银行与金融杂志》,34,633-646(2010)
[7] Andreou,P.C。;Charalambous,C.(查拉兰博斯,C.)。;Martzoukos,S.H.,《评估对称和非对称隐含波动率函数的性能》,《定量金融与会计评论》,42,373-397(2014)
[8] Bakshi,G。;曹,C。;Chen,Z.,替代期权定价模型的实证表现,《金融杂志》,522003-2049(1997)
[9] Bakshi,G。;Madan,D.,《跨度和衍生证券估值》,《金融经济学杂志》,55,205-238(2000)
[10] Barua,S。;伊斯兰,M.I。;姚,X。;Murase,K.,用于不平衡数据集学习的MWMOTE多数加权少数过采样技术,IEEE知识与数据工程汇刊,26405-425(2014)
[11] Bates,D.S.,跳跃与随机波动:德国马克期权中隐含的汇率过程,《金融研究评论》,第9期,第69-107页(1996年)
[12] Bengio,Y.,《表征的深度学习:展望》,(Dediu,A.H.;Martin-Vide,C.;Mitkov,R.;Truthe,B.,《统计语言和语音处理》(2013),施普林格:施普林格柏林),1-37
[13] 布莱克,F。;Scholes,M.,《期权定价与公司负债》,《政治经济学杂志》,第81期,第637-654页(1973年)·Zbl 1092.91524号
[14] 布利斯·R·R。;Panigirtzoglou,N.,《测试隐含概率密度函数的稳定性》,《银行与金融杂志》,26,381-422(2002)
[15] Buehler,H。;Gonon,L。;Teichmann,J。;Wood,B.,《深度对冲》,《定量金融》,第19期,第1271-1291页(2019年)·Zbl 1420.91450
[16] 曹毅。;李毅。;科尔曼,S.A。;Belatreche,A。;McGinnity,T.M.,价格操纵检测用带异常状态的自适应隐马尔可夫模型,IEEE神经网络和学习系统交易,26,318-330(2015)
[17] 曹毅。;李毅。;科尔曼,S.A。;Belatreche,A。;McGinnity,T.M.,《使用有向图和动态规划检测金融市场中的清洗交易》,IEEE神经网络和学习系统交易,272351-2363(2016)
[18] Chalamandaris,G。;Tsekrekos,A.E.,《隐含波动表面的可预测性:来自欧元场外外汇市场的证据》,《欧洲金融杂志》,第20期,第33-58页(2014年)
[19] 查拉,N.V。;鲍耶,K.W。;洛杉矶霍尔。;Kegelmeyer,W.P.,SMOTE:合成少数人过采样技术,《人工智能研究杂志》,16,321-357(2002)·Zbl 0994.68128号
[20] Cheng,Z.、Xu,Y.、Cheng,M.、Miao,Y.,Pu,S.、Niu,Y.&Wu,F.(2020年)。精细选通:一种简单有效的循环单位选通机制。从arXiv检索:https://arxiv.org/abs/2002.11338v2。
[21] Cochrane,J.H.,《资产定价(修订版)》(2001年),普林斯顿大学出版社,新泽西州
[22] 卡尔金,R。;Das,S.R.,《金融中的机器学习:期权定价的深度学习案例》,《投资管理杂志》,第15期,第92-100页(2017年)
[23] 达斯,S.P。;Padhy,S.,一种新的混合参数和机器学习模型,具有同质性提示,用于欧式指数期权定价,神经计算与应用,28,12,4061-4077(2017)
[24] Delbaen,F。;Schachermayer,W.,《资产定价基本定理的一般解释》,套利数学。斯普林格金融。,463-520(1994),《施普林格:柏林施普林格》·Zbl 0865.90014号
[25] Diebold,F.X。;Mariano,R.S.,《比较预测准确性》,《商业与经济统计杂志》,13253-263(1995)
[26] Duan,J.-C.,GARCH期权定价模型,数学金融,5,13-32(1995)·Zbl 0866.90031号
[27] 杜加斯,C。;本吉奥,Y。;Bellisle,F。;纳多,C。;Garcia,R.,《将二阶函数知识用于更好的期权定价》,《神经信息处理系统的进展》,第13期,第472-478页(2001年)
[28] 杜加斯,C。;本吉奥,Y。;Bellisle,F。;纳多,C。;Garcia,R.,《将功能知识纳入神经网络》,《机器学习研究杂志》,101239-1262(2009)·Zbl 1235.68146号
[29] Dunis,C。;新墨西哥州凯拉德。;Snaith,S.,《预测欧元兑美元隐含波动率:日内数据案例》,《银行与金融杂志》,第37期,第4943-4957页(2013年)
[30] 埃雷克,B.E。;Johannes,M。;Polson,N.,波动性和收益跳跃的影响,《金融杂志》,581269-1300(2003)
[31] Fengler,M.R。;Hin,L.-Y.,执行和到期时间无约束条件下买入期权价格面的半非参数估计,《计量经济学杂志》,184,242-261(2015)·Zbl 1331.91205号
[32] Fischer,T。;Krauss,C.,《利用长短期记忆网络进行金融市场预测的深度学习》,《欧洲运筹学杂志》,270654-669(2018)·Zbl 1403.91387号
[33] 加拉尔,M。;费尔南德斯,A。;Barrenechea,E。;Bustince,H。;Herrera,F.,《阶级不平衡问题的集合综述:打包、提升和混合方法》,IEEE系统、人和控制论汇刊,C部分(应用和评论),42,463-484(2012)
[34] 加西亚,R。;Gencay,R.,《利用神经网络和同质性提示对衍生证券进行定价和对冲》,《计量经济学杂志》,9493-115(2000)·Zbl 0942.62130号
[35] Giacomini,R。;White,H.,《条件预测能力测试》,《计量经济学》,741545-1578(2006)·Zbl 1187.91151号
[36] 吉尔平,L.H。;鲍·D。;袁伯忠。;Bajwa,A。;斯佩克特,M。;Kagal,L.,解释:机器学习可解释性评估方法,arXiv预印本arXiv:1806.00069(2018)
[37] Gradojevic,N。;Gençay,R。;Kukolj,D.,模块化神经网络的期权定价,IEEE神经网络汇刊,20626-637(2009)
[38] 吉多蒂,R。;Monreale,A。;Ruggieri,S。;图里尼,F。;詹诺蒂,F。;Predreschi,D.,黑箱模型解释方法调查,ACM计算调查,51,93-135(2018)
[39] H2O(2018)。H2O文件。http://docs.h2o.ai/。[在线;2018年8月30日访问]。
[40] Heston,S.,随机波动期权的封闭解及其在债券和货币期权中的应用,《金融研究评论》,6327-343(1993)·Zbl 1384.35131号
[41] Hinton,G.E.、Srivastava,N.、Krizhevsky,A.、Sutskever,I.和Salakhutdinov,R.R.(2012)。通过防止特征检测器的联合自适应来改进神经网络。H(H)ttps://arxiv.org/abs/1207.0580v1。 ·Zbl 1318.68153号
[42] 胡,Z。;马,X。;刘,Z。;霍维,E。;Xing,E.,利用逻辑规则深度神经网络,arXiv预印本arXiv:1603.06318(2016)
[43] 哈钦森,J.M。;Lo,A。;Poggio,T.,《通过学习网络对衍生证券进行定价和对冲的非参数方法》,《金融杂志》,49,851-889(1994)
[44] IS委员会,754-2008 IEEE浮点运算标准,IEEE计算机协会标准,2008(2008)
[45] Jackwerth,J。;Rubinstein,M.,从期权价格中恢复概率分布,《金融杂志》,511611-1631(1996)
[46] Khoshgoftaar,T.M。;Van Hulse,J。;Napolitano,A.,《将增压和装袋技术与噪声和不平衡数据进行比较》,《IEEE系统、人和控制论汇刊——A部分:系统和人类》,41,552-568(2011)
[47] Kingma,D.P.和Ba,J.(2017年)。亚当:一种随机优化方法。ArXiv:1412.6980。
[48] Knight,W.(2017a)。AI核心的黑暗秘密。麻省理工技术评论。
[49] Knight,W.(2017b)。金融界想打开人工智能的黑匣子。麻省理工学院技术评论。
[50] Kolanovic,M.和Krishnamachari,R.T.(2017年)。大数据和人工智能战略-机器学习和替代数据投资方法。摩根大通全球量化和衍生品战略团队。
[51] Konstantinidi,E。;Skiadopoulos,G。;Tzagkaraki,E.,可以预测隐含波动率的演变吗?来自欧洲和美国隐含波动率指数的证据,《银行与金融杂志》,322401-2411(2008)
[52] 克劳斯,C。;Do,X.A。;Huck,N.,深度神经网络,梯度增强树,随机森林:标准普尔500指数的统计套利,欧洲运筹学杂志,259689-702(2017)·Zbl 1395.91514号
[53] Kursuncu,美国。;高尔,M。;Sheth,A.,《知识注入学习(k-il):深度学习中知识的深度融合》,arXiv预印本arXiv:1912.00512(2019)
[54] LeCun,Y。;J.本吉奥。;Hinton,G.E.,《深度学习》,《自然》,521436-444(2015)
[55] LeDell,E.(2018)。h2o:R接口用于“h2o”。https://cran.r-project.org/package=h2o。[在线;访问日期:2018年8月31日]。
[56] X·梁。;张,H。;肖,J。;Chen,Y.,利用神经网络和支持向量回归改进期权价格预测,神经计算,723055-3065(2009)
[57] 刘,X。;曹毅。;马,C。;Shen,L.,《基于小波的期权定价:实证研究》,《欧洲运筹学杂志》,272113142(2019)·Zbl 1403.91374号
[58] McNelis,P.D.,《金融中的神经网络:在市场中获得预测优势》(2005),爱思唯尔学术出版社,美国
[59] Memisevic,R.,学习关联图像,IEEE模式分析和机器智能汇刊,351829-1846(2013)
[60] Merton,R.C.,基础股票回报不连续时的期权定价,《金融经济学杂志》,3125-144(1976)·Zbl 1131.91344号
[61] Mudrakarta,P.K。;Taly,A。;Sundararajan,M。;Dhamdhere,K.,模型理解问题吗?,arXiv预印arXiv:1805.05492(2018)
[62] Phan,W.、Stensmo,M.、Dymczyk,M.,Candel,A.和Kou,Q.(2017年)。深入浅出。http://www.h2o.ai/wp-content/uploads/2018/01/DepWater-BOOKLET.pdf。[在线;访问日期:2018年8月31日]。
[63] 里贝罗,M.T。;辛格,S。;Guestrin,C.,我为什么要信任你?解释任何分类器的预测,第22届acm-sigkdd知识发现和数据挖掘国际会议论文集,1135-1144(2016),acm
[64] Roper,M.(2010年)。无套利隐含波动率表面。悉尼大学未出版手稿。
[65] Ruf,J.和Wang,W.(2020年)。期权定价和套期保值的神经网络:文献综述。即将出版的《计算金融杂志》。
[66] Sigaud,O.、Masson,C.、Filliat,D.和Stulp,F.(2015)。门控网络:目录。阿希夫:1512.03201。
[67] 宋,Z。;Xiu,D.,《两个期权市场的故事:定价核心和波动风险》,《计量经济学杂志》,190176-196(2016)·Zbl 1422.91723号
[68] Wijaya,G.P.、Handian,D.、Nasrulloh,I.F.、Riza,L.S.、Megasari,R.和Junaeti,E.(2018年)。梯度下降。https://cran.r-project.org/package=gradDescentR。[在线;访问日期:2018年8月31日]。
[69] Yang,Y.、Zheng,Y.和Hospedales,T.M.(2017)。期权定价的门控神经网络:设计的合理性。参见:第31届AAAI人工智能会议。
[70] 姚,J。;李毅。;Tan,C.L.,使用神经网络进行期权价格预测,Omega,28455-466(2000)
[71] Yu,Y。;Si,X。;胡,C。;Zhang,J.,《递归神经网络综述:LSTM细胞和网络架构》,神经计算,311235-1270(2019)·Zbl 1494.68236号
[72] Zhou,G.-B.,Wu,J.,Zhang,C.-L.,&Zhow,Z.-H.(2016)。递归神经网络的最小选通单元。从arXiv检索:https://arxiv.org/abs/1603.09420v1。
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配,可能包含数据转换错误。在某些情况下,zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献,而不要求完整或完全匹配。