論文の概要: Pricing American Options using Machine Learning Algorithms
- arxiv url: http://arxiv.org/abs/2409.03204v1
- Date: Thu, 5 Sep 2024 02:52:11 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-06 22:18:11.332407
- Title: Pricing American Options using Machine Learning Algorithms
- Title（参考訳）: 機械学習アルゴリズムによるアメリカンオプションの価格設定
- Authors: Prudence Djagba, Callixte Ndizihiwe,
- Abstract要約: 本研究は,モンテカルロシミュレーションを用いて,機械学習アルゴリズムのアメリカ人オプションの価格設定への応用について検討する。
Black-Scholes-Mertonフレームワークのような伝統的なモデルは、しばしばアメリカの選択肢の複雑さに適切に対処できない。
モンテカルロ法とLast Square Methodを併用して機械学習を行った。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This study investigates the application of machine learning algorithms, particularly in the context of pricing American options using Monte Carlo simulations. Traditional models, such as the Black-Scholes-Merton framework, often fail to adequately address the complexities of American options, which include the ability for early exercise and non-linear payoff structures. By leveraging Monte Carlo methods in conjunction Least Square Method machine learning was used. This research aims to improve the accuracy and efficiency of option pricing. The study evaluates several machine learning models, including neural networks and decision trees, highlighting their potential to outperform traditional approaches. The results from applying machine learning algorithm in LSM indicate that integrating machine learning with Monte Carlo simulations can enhance pricing accuracy and provide more robust predictions, offering significant insights into quantitative finance by merging classical financial theories with modern computational techniques. The dataset was split into features and the target variable representing bid prices, with an 80-20 train-validation split. LSTM and GRU models were constructed using TensorFlow's Keras API, each with four hidden layers of 200 neurons and an output layer for bid price prediction, optimized with the Adam optimizer and MSE loss function. The GRU model outperformed the LSTM model across all evaluated metrics, demonstrating lower mean absolute error, mean squared error, and root mean squared error, along with greater stability and efficiency in training.
- Abstract（参考訳）: 本研究では,モンテカルロシミュレーションを用いて,機械学習アルゴリズムの適用,特にアメリカのオプションの価格設定について検討する。
Black-Scholes-Mertonフレームワークのような伝統的なモデルは、早期運動や非線形のペイオフ構造を含むアメリカの選択肢の複雑さに適切に対処できないことが多い。
モンテカルロ法を併用してLast Square Methodを機械学習に利用した。
本研究の目的は、オプション価格の精度と効率を改善することである。
この研究は、ニューラルネットワークや決定木など、いくつかの機械学習モデルを評価し、従来のアプローチを上回る可能性を強調している。
LSMに機械学習アルゴリズムを適用した結果、機械学習とモンテカルロシミュレーションを統合することで、価格の精度が向上し、より堅牢な予測が可能になることが示され、古典的な金融理論と現代の計算技術を組み合わせることで、量的金融に関する重要な洞察を提供する。
データセットは機能に分割され、ターゲット変数は入札価格を表し、80-20の列車価が割り振られた。
LSTMとGRUモデルは、TensorFlowのKeras APIを使用して構築され、それぞれに4つの隠されたレイヤ200のニューロンと入札価格予測用の出力層があり、AdamオプティマイザとMSE損失関数で最適化されている。
GRUモデルはLSTMモデルよりも優れており、平均絶対誤差、平均二乗誤差、ルート平均二乗誤差、トレーニングの安定性と効率が向上した。
関連論文リスト
- Transfer Learning on Multi-Dimensional Data: A Novel Approach to Neural Network-Based Surrogate Modeling [0.0]
畳み込みニューラルネットワーク(CNN)はそのようなサロゲートモデルの基礎として人気を集めている。
本稿では,$d$次元問題と$d-1$次元近似の両方に対する数値解の混合によるCNN代理モデルのトレーニングを提案する。
転送学習を用いて,2種類のデータに対して,高密度な完全畳み込みエンコーダ・デコーダCNNを学習する多相フローテスト問題に対するアプローチを実証する。
論文 参考訳（メタデータ） (2024-10-16T05:07:48Z) - 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) - Deep Calibration With Artificial Neural Network: A Performance
Comparison on Option Pricing Models [0.0]
我々は2つのよく知られたGARCH型オプション価格モデルのパラメータを校正するためにANNを構築した。
我々はモンテカルロシミュレーション(MCS)法で生成されたデータセットを用いてANNを訓練し、最適なパラメータをキャリブレーションする。
その結果、ANNアプローチはMCSを一貫して上回り、訓練後より高速な計算時間を生かしていることがわかった。
論文 参考訳（メタデータ） (2023-03-15T16:57:10Z) - Low-variance estimation in the Plackett-Luce model via quasi-Monte Carlo
sampling [58.14878401145309]
PLモデルにおいて,より標本効率の高い予測値を生成するための新しい手法を開発した。
Amazon MusicのリアルなレコメンデーションデータとYahooの学習からランクへの挑戦を理論的にも実証的にも使用しています。
論文 参考訳（メタデータ） (2022-05-12T11:15:47Z) - Learning with Multiclass AUC: Theory and Algorithms [141.63211412386283]
ROC曲線 (AUC) の下の領域は、不均衡学習やレコメンダシステムといった問題に対するよく知られたランキング基準である。
本稿では,マルチクラスAUCメトリクスを最適化することで,多クラススコアリング関数を学習する問題について検討する。
論文 参考訳（メタデータ） (2021-07-28T05:18:10Z) - Automated Agriculture Commodity Price Prediction System with Machine
Learning Techniques [0.8998318101090188]
農業商品価格を予測するためのWebベースの自動システムを提案する。
最も最適なアルゴリズムである平均0.304の平均二乗誤差を持つLSTMモデルを予測エンジンとして選択した。
論文 参考訳（メタデータ） (2021-06-24T03:10:25Z) - Gone Fishing: Neural Active Learning with Fisher Embeddings [55.08537975896764]
ディープニューラルネットワークと互換性のあるアクティブな学習アルゴリズムの必要性が高まっている。
本稿では,ニューラルネットワークのための抽出可能かつ高性能な能動学習アルゴリズムBAITを紹介する。
論文 参考訳（メタデータ） (2021-06-17T17:26:31Z) - Model-Augmented Q-learning [112.86795579978802]
モデルベースRLの構成要素を付加したMFRLフレームワークを提案する。
具体的には、$Q$-valuesだけでなく、共有ネットワークにおける遷移と報酬の両方を見積もる。
提案手法は,MQL (Model-augmented $Q$-learning) とよばれる提案手法により,真に報いられた学習によって得られる解と同一のポリシ不変解が得られることを示す。
論文 参考訳（メタデータ） (2021-02-07T17:56:50Z) - Blending MPC & Value Function Approximation for Efficient Reinforcement
Learning [42.429730406277315]
モデル予測制御(MPC)は、複雑な実世界のシステムを制御する強力なツールである。
モデルフリー強化学習(RL)によるMPC改善のためのフレームワークを提案する。
我々は,本手法がmpcに匹敵する性能と真のダイナミクスを両立できることを示す。
論文 参考訳（メタデータ） (2020-12-10T11:32:01Z) - Transfer Learning without Knowing: Reprogramming Black-box Machine
Learning Models with Scarce Data and Limited Resources [78.72922528736011]
そこで我々は,ブラックボックス・アタベラル・リプログラミング (BAR) という新しい手法を提案する。
ゼロオーダー最適化とマルチラベルマッピング技術を用いて、BARは入力出力応答のみに基づいてブラックボックスMLモデルをプログラムする。
BARは最先端の手法より優れ、バニラ対逆プログラミング法に匹敵する性能を得る。
論文 参考訳（メタデータ） (2020-07-17T01:52:34Z) - Information Theoretic Model Predictive Q-Learning [64.74041985237105]
本稿では,情報理論的MPCとエントロピー正規化RLとの新たな理論的関連性を示す。
バイアスモデルを利用したQ-ラーニングアルゴリズムを開発した。
論文 参考訳（メタデータ） (2019-12-31T00:29:22Z)
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。