論文の概要: On Calibration Neural Networks for extracting implied information from
American options
- arxiv url: http://arxiv.org/abs/2001.11786v1
- Date: Fri, 31 Jan 2020 12:10:24 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-05 05:44:34.221350
- Title: On Calibration Neural Networks for extracting implied information from
American options
- Title(参考訳): アメリカの選択肢から入力情報を抽出する校正ニューラルネットワークについて
- Authors: Shuaiqiang Liu, \'Alvaro Leitao, Anastasia Borovykh, Cornelis W.
Oosterlee
- Abstract要約: 我々は、ブラック・スコルズが示唆するボラティリティとアメリカの選択肢の配当利回りを推定するために、データ駆動機械学習アプローチを採用する。
インプリッド配当収率については、逆問題をキャリブレーション問題として定式化し、インプリッドボラティリティと配当収率を同時に決定する。
機械学習は、アメリカの選択肢からインプリード情報を抽出する効率的な数値手法として利用できる。
- 参考スコア(独自算出の注目度): 1.911678487931003
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Extracting implied information, like volatility and/or dividend, from
observed option prices is a challenging task when dealing with American
options, because of the computational costs needed to solve the corresponding
mathematical problem many thousands of times. We will employ a data-driven
machine learning approach to estimate the Black-Scholes implied volatility and
the dividend yield for American options in a fast and robust way. To determine
the implied volatility, the inverse function is approximated by an artificial
neural network on the computational domain of interest, which decouples the
offline (training) and online (prediction) phases and thus eliminates the need
for an iterative process. For the implied dividend yield, we formulate the
inverse problem as a calibration problem and determine simultaneously the
implied volatility and dividend yield. For this, a generic and robust
calibration framework, the Calibration Neural Network (CaNN), is introduced to
estimate multiple parameters. It is shown that machine learning can be used as
an efficient numerical technique to extract implied information from American
options.
- Abstract(参考訳): ボラティリティや配当のようなインプリード情報を観測されたオプション価格から抽出することは、対応する数学的問題を何千回も解くのに必要な計算コストのため、アメリカのオプションを扱う上で難しい課題である。
我々は、ブラック・スコルズが示唆するボラティリティとアメリカの選択肢の配当利回りを、迅速かつ堅牢な方法で推定するために、データ駆動機械学習アプローチを採用する。
暗黙のボラティリティを決定するために、逆関数は計算領域上の人工ニューラルネットワークによって近似され、オフライン(トレーニング)とオンライン(予測)のフェーズを分離し、反復的なプロセスの必要性をなくす。
含意配当は,逆問題をキャリブレーション問題として定式化し,含意ボラティリティと配当率を同時に決定する。
このため、キャリブレーションニューラルネットワーク(CaNN)と呼ばれる汎用的で堅牢な校正フレームワークを導入し、複数のパラメータを推定する。
機械学習は、アメリカの選択肢から入力情報を抽出する効率的な数値手法として利用できる。
関連論文リスト
- American Option Pricing using Self-Attention GRU and Shapley Value
Interpretation [0.0]
本稿では,ゲートリカレントユニット(GRU)と自己認識機構に基づいて,SPY(ETF)オプションの価格を予測する機械学習手法を提案する。
我々は、多層パーセプトロン(MLP)、長期記憶(LSTM)、自己注意型LSTM、自己注意型GRUの4つの異なる機械学習モデルを構築した。
論文 参考訳(メタデータ) (2023-10-19T06:05:46Z) - Machine learning for option pricing: an empirical investigation of
network architectures [0.0]
ネットワークアーキテクチャの選択が機械学習アルゴリズムの精度とトレーニング時間に与える影響について検討する。
Black-ScholesとHestonモデルに焦点をあてたオプション価格問題に対して、一般化されたハイウェイネットワークアーキテクチャは、他のすべての変種よりも優れている。
論文 参考訳(メタデータ) (2023-07-14T23:27:43Z) - VCNet: A self-explaining model for realistic counterfactual generation [52.77024349608834]
事実的説明は、機械学習の決定を局所的に説明するための手法のクラスである。
本稿では,予測器と対実生成器を組み合わせたモデルアーキテクチャであるVCNet-Variational Counter Netを提案する。
我々はVCNetが予測を生成でき、また、別の最小化問題を解くことなく、反現実的な説明を生成できることを示した。
論文 参考訳(メタデータ) (2022-12-21T08:45:32Z) - Transformer for Partial Differential Equations' Operator Learning [0.0]
演算子変換器(OFormer)と呼ばれるデータ駆動型演算子学習のための注意ベースのフレームワークを提案する。
我々のフレームワークは、自己注意、クロスアテンション、および一組のポイントワイド多層パーセプトロン(MLP)に基づいて構築されている。
論文 参考訳(メタデータ) (2022-05-26T23:17:53Z) - Bilinear Input Normalization for Neural Networks in Financial
Forecasting [101.89872650510074]
本稿では,高頻度金融時系列を扱うディープニューラルネットワークのための新しいデータ駆動正規化手法を提案する。
提案手法は,財務時系列のバイモーダル特性を考慮したものである。
我々の実験は最先端のニューラルネットワークと高周波データを用いて行われ、他の正規化技術よりも大幅に改善された。
論文 参考訳(メタデータ) (2021-09-01T07:52:03Z) - Calibrating Predictions to Decisions: A Novel Approach to Multi-Class
Calibration [118.26862029820447]
我々は、下流の意思決定者に対して、予測された分布と真の分布を区別不能にする必要がある新しい概念、即時校正を導入します。
決定キャリブレーションは、皮膚病変の判定と、現代のニューラルネットワークを用いたImageNet分類を改善する。
論文 参考訳(メタデータ) (2021-07-12T20:17:28Z) - Opening the Blackbox: Accelerating Neural Differential Equations by
Regularizing Internal Solver Heuristics [0.0]
本論文では,適応微分方程式ソルバの内部コストと離散感性を組み合わせてトレーニング過程を導く新しい正規化手法について述べる。
このアプローチは微分方程式解法アルゴリズムの背後にあるブラックボックスの数値解析を開放し、その局所誤差推定と剛性を安価で正確なコスト推定として利用する。
当社のアプローチが予測時間を半減させる方法を示し、これがトレーニング時間を桁違いに向上させる方法を示します。
論文 参考訳(メタデータ) (2021-05-09T12:03:03Z) - Predicting Training Time Without Training [120.92623395389255]
我々は、事前訓練された深層ネットワークが損失関数の所定の値に収束する必要がある最適化ステップの数を予測する問題に取り組む。
我々は、微調整中の深部ネットワークのトレーニングダイナミクスが線形化モデルによってよく近似されているという事実を活用する。
トレーニングをする必要なく、特定の損失にモデルを微調整するのに要する時間を予測できます。
論文 参考訳(メタデータ) (2020-08-28T04:29:54Z) - Local error quantification for Neural Network Differential Equation
solvers [6.09170287691728]
NN DEソルバをより正確かつ効率的にする手法を開発した。
本手法は,NNDEの精度の高い予測誤差をポイントワイズで推定する手法によって実現される。
非線形システムとカオスシステムでテストすることで,本手法の有用性を実証する。
論文 参考訳(メタデータ) (2020-08-24T08:22:58Z) - Characterizing the loss landscape of variational quantum circuits [77.34726150561087]
本稿では,VQCの損失関数のヘシアンを計算する方法を紹介する。
この情報がどのように解釈され、従来のニューラルネットワークと比較されるかを示す。
論文 参考訳(メタデータ) (2020-08-06T17:48:12Z) - The Variational Bandwidth Bottleneck: Stochastic Evaluation on an
Information Budget [164.65771897804404]
多くのアプリケーションにおいて、複雑な入力データから関連する情報のみを抽出することが望ましい。
情報ボトルネック法は、これを情報理論最適化問題として定式化する。
本稿では,特権情報の推定値について,各例について決定する帯域幅のばらつきボトルネックを提案する。
論文 参考訳(メタデータ) (2020-04-24T18:29:31Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。