論文の概要: Valuing Exotic Options and Estimating Model Risk
- arxiv url: http://arxiv.org/abs/2103.12551v1
- Date: Mon, 22 Mar 2021 05:03:28 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-25 05:49:22.524445
- Title: Valuing Exotic Options and Estimating Model Risk
- Title(参考訳): エキゾチックなオプションの評価とモデルリスクの推定
- Authors: Jay Cao, Jacky Chen, John Hull, Zissis Poulos
- Abstract要約: 本稿では,ボラティリティ面上の点をニューラルネットワークに入力する特徴点とする代替手法を検討する。
これをボラティリティ・フィーチャー・アプローチ(VFA)と呼ぶ。
ニューラルネットワークの開発に事前の計算時間が投資されると、VFAを使用したエキゾチックなオプションの評価は非常に速くなります。
- 参考スコア(独自算出の注目度): 0.3313576045747072
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: A common approach to valuing exotic options involves choosing a model and
then determining its parameters to fit the volatility surface as closely as
possible. We refer to this as the model calibration approach (MCA). This paper
considers an alternative approach where the points on the volatility surface
are features input to a neural network. We refer to this as the volatility
feature approach (VFA). We conduct experiments showing that VFA can be expected
to outperform MCA for the volatility surfaces encountered in practice. Once the
upfront computational time has been invested in developing the neural network,
the valuation of exotic options using VFA is very fast. VFA is a useful tool
for the estimation of model risk. We illustrate this using S&P 500 data for the
2001 to 2019 period.
- Abstract(参考訳): エキゾチックな選択肢を評価するための一般的なアプローチは、モデルを選択し、そのパラメータをできるだけ正確に変動面に合わせることである。
これをモデルキャリブレーションアプローチ(MCA)と呼ぶ。
本稿では,ボラティリティ面上の点をニューラルネットワークに入力する特徴点とする代替手法を検討する。
これをボラティリティ機能アプローチ(VFA)と呼ぶ。
我々は,実際に発生する変動面に対して,VFAがMCAを上回ることが期待できる実験を行った。
ニューラルネットワークの開発に前もって計算時間を投資すれば、VFAを使ったエキゾチックなオプションの評価は非常に高速になる。
VFAはモデルリスクの推定に有用なツールです。
2001年から2019年までのs&p 500データを用いてこれを示す。
関連論文リスト
- Test-Time Model Adaptation with Only Forward Passes [68.11784295706995]
テストタイム適応は、トレーニング済みのモデルを、潜在的に分布シフトのある未確認テストサンプルに適応させるのに有効であることが証明されている。
テスト時間フォワード最適化適応法(FOA)を提案する。
FOAは量子化された8ビットのViTで動作し、32ビットのViTで勾配ベースのTENTより優れ、ImageNet-Cで最大24倍のメモリ削減を実現する。
論文 参考訳(メタデータ) (2024-04-02T05:34:33Z) - 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) - HireVAE: An Online and Adaptive Factor Model Based on Hierarchical and
Regime-Switch VAE [113.47287249524008]
オンラインで適応的な環境で株価予測を行うファクターモデルを構築することは、依然としてオープンな疑問である。
本稿では,オンラインおよび適応型要素モデルであるHireVAEを,市場状況とストックワイド潜在要因の関係を埋め込んだ階層型潜在空間として提案する。
4つの一般的な実市場ベンチマークにおいて、提案されたHireVAEは、以前の手法よりもアクティブリターンの点で優れたパフォーマンスを示している。
論文 参考訳(メタデータ) (2023-06-05T12:58:13Z) - Feature Selection with Annealing for Forecasting Financial Time Series [2.44755919161855]
本研究では,機械学習(ML)モデルを用いた戦術的入力出力特徴マッピング技術に基づいて,財務時系列を総合的に予測する手法を提案する。
実験の結果,FSAアルゴリズムは問題の種類に関わらず,MLモデルの性能を向上することが示された。
論文 参考訳(メタデータ) (2023-03-03T21:33:38Z) - Volatility forecasting using Deep Learning and sentiment analysis [0.0]
本稿では、市場ボラティリティを予測するための感情分析と深層学習を融合した複合モデルを提案する。
次に、過去の感情と前日の変動を利用して予測を行う合成予測モデル、Long-Short-Term-Memory Neural Network法について述べる。
論文 参考訳(メタデータ) (2022-10-22T14:54:33Z) - DeepVol: Volatility Forecasting from High-Frequency Data with Dilated Causal Convolutions [53.37679435230207]
本稿では,Dilated Causal Convolutionsに基づくDeepVolモデルを提案する。
実験結果から,提案手法は高頻度データからグローバルな特徴を効果的に学習できることが示唆された。
論文 参考訳(メタデータ) (2022-09-23T16:13:47Z) - Data-driven Hedging of Stock Index Options via Deep Learning [6.952039070065292]
我々は、オプションデータから直接S&P500インデックスオプションのヘッジ比を学習するために、ディープラーニングモデルを開発する。
特徴の異なる組み合わせを比較し、成熟までの時間を持つフィードフォワードニューラルネットワークモデル、Black-Scholes deltaおよび感情変数が、アウトオブサンプルテストにおいて最善であることを示す。
論文 参考訳(メタデータ) (2021-11-05T12:53:47Z) - MEMO: Test Time Robustness via Adaptation and Augmentation [131.28104376280197]
テスト時間ロバスト化の問題、すなわちモデルロバスト性を改善するためにテストインプットを用いて検討する。
最近の先行研究ではテスト時間適応法が提案されているが、それぞれ追加の仮定を導入している。
モデルが確率的で適応可能な任意のテスト環境で使用できるシンプルなアプローチを提案する。
論文 参考訳(メタデータ) (2021-10-18T17:55:11Z) - Back2Future: Leveraging Backfill Dynamics for Improving Real-time
Predictions in Future [73.03458424369657]
公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。
過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。
我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
論文 参考訳(メタデータ) (2021-06-08T14:48:20Z) - A generative adversarial network approach to calibration of local
stochastic volatility models [2.1485350418225244]
局所ボラティリティ(LSV)モデルのキャリブレーションのための完全データ駆動手法を提案する。
我々は、フィードフォワードニューラルネットワークのファミリーによってレバレッジ関数をパラメータ化し、利用可能な市場オプション価格から直接パラメータを学習する。
これは、ニューラルSDEと(因果)生成的敵ネットワークの文脈で見る必要がある。
論文 参考訳(メタデータ) (2020-05-05T21:26:20Z) - Value-driven Hindsight Modelling [68.658900923595]
値推定は強化学習(RL)パラダイムの重要な構成要素である。
モデル学習は、観測系列に存在する豊富な遷移構造を利用することができるが、このアプローチは通常、報酬関数に敏感ではない。
この2つの極点の間に位置するRLにおける表現学習のアプローチを開発する。
これにより、タスクに直接関連し、値関数の学習を加速できる、抽出可能な予測ターゲットが提供される。
論文 参考訳(メタデータ) (2020-02-19T18:10:20Z)
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。