Opciók és neurális hálók

Abstract

A dolgozat fő kutatási kérdése, hogy gépi tanulásos módszerek felhasználásával miként árazhatók derivatívák, melynek során bemutatásra kerülnek a Support Vector Regression, az Extreme Learning Machine és a Multilayer Perceptron eljárások. A 2016. január 23. és 2016. február 29. közt gyűjtött, nagyjából 200 000 S&P500 indexre szóló, különböző kötési árfolyamú és lejáratú call opció megfigyelt piaci árát tartalmazó adatbázis segítségével arra a következtetésre jut, hogy a Multilayer Perceptron a legalkalmasabb az opció árának pontos megbecslésére. A dolgozat áttekinti a pénzügyi modellek fejlődését, majd a népszerű Heston modell által feltételezett világban bemutatja, hogy a gépi tanulásos módszerek képesek az árazó képlet megtanulására és így a call opció árának nagy pontosságú megbecslésére egy Monte Carlo szimuláció által erre a célra létrehozott adatbázison. A szerző az eredmények alapján arra a következtetésre jut, hogy a nemparaméteres gépi tanulásos módszerek a sztochasztikán alapuló árazó modelleknek méltó kihívói lehetnek.