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

• Towards Resource-Efficient Federated Learning in Industrial IoT for Multivariate Time Series Analysis [50.18156030818883]
  異常と欠落したデータは、産業応用における厄介な問題を構成する。 ディープラーニングによる異常検出が重要な方向として現れている。 エッジデバイスで収集されたデータは、ユーザのプライバシを含む。
  論文  参考訳（メタデータ） (2024-11-06T15:38:31Z)
• Jump Diffusion-Informed Neural Networks with Transfer Learning for Accurate American Option Pricing under Data Scarcity [1.998862666797032]
  本研究は,6つの相互関連モジュールからなる米国オプション価格の包括的枠組みを提案する。 このフレームワークは非線形最適化アルゴリズム、解析モデルと数値モデル、ニューラルネットワークを組み合わせて価格性能を向上させる。 提案したモデルでは、より深い収益源オプションの価格設定において優れた性能を示す。
  論文  参考訳（メタデータ） (2024-09-26T17:50:12Z)
• Switchable Decision: Dynamic Neural Generation Networks [98.61113699324429]
  本稿では,各データインスタンスのリソースを動的に割り当てることで,推論を高速化するスイッチブルな決定を提案する。 提案手法は, 同一の精度を維持しながら, 推論時のコスト低減に有効である。
  論文  参考訳（メタデータ） (2024-05-07T17:44:54Z)
• Improved model-free bounds for multi-asset options using option-implied information and deep learning [0.0]
  我々は、依存の不確かさと依存構造に関する追加情報を組み合わせた設定において、マルチアセストオプションに対するモデルフリー境界の計算を考察する。 この設定における資産価格の基本的な定理と、確率測度よりも問題を変換できる双対性を提供する。 後者は、ニューラルネットワークを用いたディープラーニング近似と組み合わせたペナライズ手法を用いて解決される。
  論文  参考訳（メタデータ） (2024-04-02T22:37:22Z)
• A novel decision fusion approach for sale price prediction using Elastic Net and MOPSO [0.0]
  価格予測アルゴリズムは、市場動向、予測された需要、その他の特性に応じて、すべての製品またはサービスの価格を提案する。 価格予測における依存変数として、いくつかの独立変数および相関変数に影響される。 本研究では,価格予測において情報変数を選択するための新たな意思決定レベル融合手法を提案する。
  論文  参考訳（メタデータ） (2024-03-29T07:59:33Z)
• 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)
• 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)
• 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。