基于跳跃扩散的神经网络与迁移学习在数据稀缺条件下的美国期权定价研究
通过卷积神经网络和 Monte Carlo 模拟,采用数据驱动的方法解决了最优停机问题,并在金融期权问题上取得了比基于最小二乘 Monte Carlo 算法更为精确的结果。
Jul, 2022
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
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
该论文概述了最近在定价和对冲金融工具方面强化学习的最新进展,重点详细解释了Halperin(2017)引入的Q-Learning Black Scholes方法,该方法将传统的Black and Scholes(1973)模型与新颖的人工智能算法相结合,实现了完全无模型、数据驱动的期权定价和对冲。该论文还探讨了该算法在不同状态变量和欧式看跌期权场景下的表现。结果显示,该模型在不同波动率水平和对冲频率下是准确的估计器。此外,该方法在各种看跌期权价内外都表现出稳健的性能。最后,该算法考虑了比例交易成本,表明不同状态变量的统计特性对盈亏产生了不同的影响。
Oct, 2023
我们开发了一种新颖的深度学习方法,用于定价基于跳跃扩散动力学的欧式篮式期权。该方法以偏积分微分方程的形式表达期权定价问题,并通过一种新的隐式-显式最小化移动时间步进方法进行近似,其中每个时间步骤通过深度残差型人工神经网络(ANNs)进行近似。积分算子通过两种不同的方法进行离散化:a)通过稀疏网格 Gauss-Hermite 近似,按照奇异值分解产生的局部坐标轴进行定位;b)基于ANN的高维专用积分规则。关键是,所提议的ANN的构建确保解决方案在标的物的大值情况下具有渐近行为,并且与解决方案的预先已知的定性特性的一致性输出。通过涉及Merton跳跃扩散模型的一系列数值实验证明了该方法在维度方面的性能和鲁棒性。
Jan, 2024
我们开发了一种新颖的深度学习方法来定价扩散模型中的欧式期权,可以高效地处理由于粗糙波动率模型的马尔可夫逼近而导致的高维问题。该方法将期权定价偏微分方程重新表述为能量最小化问题,并通过深度人工神经网络以时间步进方式进行近似。所提出的方案符合随着货币流动性水平增加期权价格的渐近行为,并符合先验已知的期权价格界限。该方法的准确性和效率通过一系列数值示例进行评估,特别关注于提升的 Heston 模型。
Mar, 2024
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
该研究通过深度强化学习(DRL)对美式期权进行对冲,调查了超参数对对冲表现的影响,并强调避免特定组合的重要性。另外,该研究引入了一种新方法,在每周时间间隔内使用新的校准随机波动率模型训练DRL代理,结果显示相较于仅在交易日期训练的代理,使用每周市场数据重新训练的DRL代理性能更好。此外,论文还证明在交易成本为1%和3%时,单次训练和每周训练的DRL代理都优于Black-Scholes Delta方法,这对实践具有重要意义。
May, 2024
本研究解决了期权交易策略中依赖传统市场动态和定价模型假设的不足。论文提出了一种新颖的深度学习模型,可以直接从市场数据中学习最优交易信号,展现出相较于现有基于规则的策略在风险调整表现上的显著提升。研究结果表明,模型中引入的周转率正则化在高交易成本下也能进一步提高绩效。
Jul, 2024
本研究解决了传统定价模型无法有效处理美式期权复杂性的难题。通过将机器学习算法与蒙特卡洛模拟相结合,研究展示了多种机器学习模型(如神经网络和决策树)在期权定价中的优势。结果表明,该方法显著提高了定价准确性和预测稳健性,为定量金融领域提供了新的见解。
Sep, 2024