Jul, 2023

期权定价的机器学习：对网络架构的实证研究

PDF
TL;DR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。
supervised learningneural network architectureoption pricingblack-scholes modelimplied volatility
发现论文，激发创造
  • 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

  • 将先前的金融领域知识整合到神经网络中进行隐含波动率曲面预测

    本文提出了一种全新的神经网络模型来预测隐含波动率，该模型融入了金融领域的先验知识和考虑到波动率微笑的激活函数，并将无套利条件、边界和渐近斜率等金融条件嵌入到损失函数中进行训练。该模型在 S&P 500 指数上 20 年的期权数据方面优于基准模型，更重要的是，域知识得到了经验确认，表明该模型与现有的金融理论和涉及到隐含波动率面的条件相一致。

    Apr, 2019

  • 神经网络架构的贝叶斯学习

    本研究提出一种基于贝叶斯方法的神经网络架构参数估计方法，通过学习这些参数的具体分布来实现。研究表明，具有学习结构的正则网络在小数据集上可以更好地泛化，而完全随机化的网络可以更强健地处理参数初始化。与基于随机搜索的架构搜索不同，所提出的方法依赖于标准的神经变分学习，不需要对模型进行重新训练，从而最小化计算开销。

    Jan, 2019

  • 物理信息神经网络的期权定价

    我们应用物理信息深度学习方法（PINN 方法）来解决 Black-Scholes 方程，以定价美式和欧式期权。我们在模拟数据和实际市场数据上测试了我们的方法，并将其与分析 / 数值基准进行了比较。我们的模型能够精确捕捉模拟数据的价格行为，同时在市场数据中表现出合理的性能。我们还对 PINN 模型的架构和学习过程进行了实验，以增进对收敛性和稳定性问题对性能的影响的理解。

    Dec, 2023

  • 用于过程动力学建模目的的自动选择最佳循环神经网络架构

    通过演化算法和梯度下降方法，本研究提出了四种算法来寻找人工神经网络结构，用于行为（黑箱）建模特定的动态过程。在研究中，采用了经过优化选择的循环型人工神经网络，优化的目标是在学习的数学模型响应下，平衡神经网络的规模和准确性。并通过数学模型验证研究中提出的演化算子的有效性。

    Sep, 2023

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

    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。

    Jul, 2023

  • 基于统计模型的主动学习

    本文回顾了如何使用最优数据选择技术来优化一些类型的机器学习算法，包括前馈神经网络、高斯混合模型和局部加权回归，并探讨了此方法如何降低训练数据量，提高模型性能。

    Mar, 1996

  • 神经网络优化和泛化

    论文旨在通过提出基于结构的一阶优化算法和网络集合与个体网络之间的一种新对应关系，发展人工神经网络的学习权优化和泛化理论基础，进而在具有远远更多参数的网络中探索正则化的作用。

    Oct, 2022

  • 从 GARCH 到神经网络的波动率预测

    通过在建立的神经网络体系结构中将 GARCH 模型的神经网络对应组件整合进去，本研究提出了名为 GARCH-NN 的创新方法，以融合 GARCH 模型中固有的波动特征，并证实将 GARCH 家族模型的神经网络对应组件与传统神经网络模型相结合可以带来比独立使用随机和神经网络模型更好的结果。

    Jan, 2024

  • 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