Jul, 2023

使用 Google AutoML、TensorFlow 和 XGBoost 定价欧式期权

PDF
TL;DR使用神经网络及其他机器学习技术可以用历史数据更准确地估算欧式期权价格，其中 Google Cloud 的 AutoML Regressor、TensorFlow 神经网络和 XGBoost 梯度提升决策树的效果均超过了传统的 Black Scholes 模型。
neural networksmachine learningoptions pricinggoogle cloudxgboost
发现论文，激发创造
  • 利用外生变量和机器学习算法进行短期股票价格预测

    追溯 2020 年 3 月至 2022 年 5 月的短期内，该研究比较了四种机器学习模型在预测纽约证券交易所三支知名股票的准确性，并发现 XGBoost 模型虽然运行时间较长（最多 10 秒），但提供了最高的准确性。

    May, 2023

  • 期权定价的机器学习：对网络架构的实证研究

    本文考虑了通过监督学习来学习期权价格或隐含波动率的问题，并发现在所选择的网络体系结构方面使用广义高速公路网络的精度比其它变体高，对于计算隐含波动率，采用变换后的 DGM 架构是最优的。

    Jul, 2023

  • 使用自注意 GRU 和斯哈普利值解释的美式期权定价

    提出了一种基于门控循环单元 (GRU) 和自注意机制的机器学习方法，用于预测 SPY (ETF) 期权的价格。通过对原始数据集进行分割，研究了无风险利率和基础波动率对期权定价的影响。构建了四种不同的机器学习模型，并发现具有历史数据的自注意 GRU 模型表现优越。利用 SHapley Additive exPlanations (SHAP) 方法揭示了不同输入特征对美式期权定价的重要性和贡献。

    Oct, 2023

  • 神经网络学习用于期权定价的 Black-Scholes 方程

    基于神经网络的方法可以解决实际股票期权时间序列的 Black-Scholes 方程，实验结果表明，与传统的 Black-Scholes 解析解相比，基于神经网络的期权定价方法的预测更准确，可用于短期期权市场中的期权定价预测。

    May, 2024

  • 医疗保险可解释成本预测的机器学习

    本文研究了在医疗保健领域中应用预测建模以提高保险公司生产力和效率的潜力，通过使用三种基于回归的集成机器学习模型（Extreme Gradient Boosting、梯度提升机和随机森林）对医疗保险费用进行预测，并采用可解释的人工智能方法来发现和解释影响医疗保险费用的关键因素。研究结果表明这些模型在预测上取得了可观的成果，其中 XGBoost 模型表现最佳，但计算资源消耗更高，而 RF 模型则在预测误差较小的同时消耗较少的计算资源。同时比较了两种可解释人工智能方法在识别影响保险费用的关键特征上的结果，发现 ICE 图能更详细地展示变量之间的相互作用，而 SHAP 分析则更具概览性。希望本研究的贡献能够帮助决策者、保险公司和潜在医疗保险购买者在选择适合其需求的政策时作出正确决策。

    Nov, 2023

  • 自动化机器学习方法在价格预测应用中的基准测试

    应用自动化的机器学习（AutoML）方案代替手动创建的机器学习管道，结合公司的领域知识进行价格预测的工业需求研究，展示了 AutoML 导致的小型和中型企业对机器学习专家的依赖减弱的可能性。

    Apr, 2023

  • 基于金融时间序列数据的兼容深度神经网络框架，包括数据预处理器、神经网络模型和交易策略

    该研究介绍了一种新的深度神经网络架构并提出了一种新的方法来准备金融数据以便于它们被馈入该模型，以预测股票和加密货币市场的价格波动。研究表明，该框架可以提供有利可图和稳健的预测，并引入一个交易策略来利用训练模型的输出。

    May, 2022

  • 基于门控神经网络的期权定价：设计理性

    该研究提出了一种神经网络方法来定价欧式看涨期权，这种方法在性能上表现优异，并具有保证其预测对经济合理的保证，通过将人类洞察力与数据驱动的学习相结合，提供具有重要经济学意义的副产品。

    Sep, 2016

  • 基于时间序列分析的股票价格预测：机器学习和深度学习模型

    本研究利用统计学、机器学习和深度学习模型建立了一个强大而准确的股票价格预测框架，研究结果表明该多模型的结合方法可以从波动和随机的股票价格数据中有效地学习。

    Apr, 2020

  • 机器学习在国际贸易趋势预测中的应用

    本研究介绍了使用机器学习算法，基于国际贸易交易和相关经济因素，进行预测和解释交易流的可能性，并对预测结果和政策决策进行了评估。

    Oct, 2019