論文の概要: Deep Learning vs. Black-Scholes: Option Pricing Performance on Brazilian Petrobras Stocks

• arxiv url: http://arxiv.org/abs/2504.20088v1
• Date: Fri, 25 Apr 2025 18:33:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-02 19:15:54.574518
• Title: Deep Learning vs. Black-Scholes: Option Pricing Performance on Brazilian Petrobras Stocks
• Title（参考訳）: ブラジルのペトロブラス株(表
• Authors: Joao Felipe Gueiros, Hemanth Chandravamsi, Steven H. Frankel,
• Abstract要約: 本稿では,ペトロブラス上での欧州オプションの価格設定におけるディープ残差ネットワークの利用について検討する。 性能はBlack-Scholes(BS)モデルと比較する。 長期間にわたって精度を低下させる傾向にあるブラック・スコールズ解とは異なり、深層学習モデルは、長期間にわたって正確に実行された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: This paper explores the use of deep residual networks for pricing European options on Petrobras, one of the world's largest oil and gas producers, and compares its performance with the Black-Scholes (BS) model. Using eight years of historical data from B3 (Brazilian Stock Exchange) collected via web scraping, a deep learning model was trained using a custom built hybrid loss function that incorporates market data and analytical pricing. The data for training and testing were drawn between the period spanning November 2016 to January 2025, using an 80-20 train-test split. The test set consisted of data from the final three months: November, December, and January 2025. The deep residual network model achieved a 64.3\% reduction in the mean absolute error for the 3-19 BRL (Brazilian Real) range when compared to the Black-Scholes model on the test set. Furthermore, unlike the Black-Scholes solution, which tends to decrease its accuracy for longer periods of time, the deep learning model performed accurately for longer expiration periods. These findings highlight the potential of deep learning in financial modeling, with future work focusing on specialized models for different price ranges.
• Abstract（参考訳）: 本稿では,世界最大の石油・ガス生産会社であるペトロブラス(ペトロブラス)における欧州のオプションの価格設定におけるディープ・残余ネットワークの利用について検討し,その性能をブラック・スコールズ(BS)モデルと比較する。 Webスクレイピングによって収集されたB3(ブラジル証券取引所)の8年間の履歴データを用いて、市場データと分析価格を組み込んだ独自のハイブリッド損失関数を使用して、ディープラーニングモデルをトレーニングした。 トレーニングとテストのデータは、2016年11月から2025年1月までの期間に80-20の列車間隔で作成された。 テストセットは最終3ヶ月のデータ(11月、12月、2025年1月)で構成された。 ディープ残差ネットワークモデルは、テストセットのブラック・ショールズモデルと比較すると、3-19 BRL(ブラジル・リアル)の平均絶対誤差を64.3 %削減した。 さらに,長期にわたって精度を低下させる傾向にあるブラック・スコールズ解とは異なり,深層学習モデルでは,長期間にわたって精度よく学習を行うことができた。 これらの知見は、金融モデリングにおける深層学習の可能性を強調し、将来は異なる価格範囲の専門モデルに焦点をあてる。

関連論文リスト

• Accelerating Large Language Model Pretraining via LFR Pedagogy: Learn, Focus, and Review [50.78587571704713]
  Learn-Focus-Review(LFR)は、モデルの学習進捗に適応する動的トレーニングアプローチである。 LFRは、データブロック(トークンのシーケンス)にわたるモデルの学習パフォーマンスを追跡し、データセットの困難な領域を再検討する。 フルデータセットでトレーニングされたベースラインモデルと比較して、LFRは一貫して低いパープレキシティと高い精度を達成した。
  論文  参考訳（メタデータ） (2024-09-10T00:59:18Z)
• Toward Inference-optimal Mixture-of-Expert Large Language Models [55.96674056805708]
  大規模言語モデル(LLM)のスケーリング法則について検討する。 少数の(4/8)専門家を持つMoEsは、同じパフォーマンスで最も効率的なソリューションであるが、トレーニングでは2.5-3.5倍のコストがかかる。 検証損失以外の指標として推論効率を導入することで,MoEのスケーリング法則の改正を提案する。
  論文  参考訳（メタデータ） (2024-04-03T16:33:42Z)
• Language models scale reliably with over-training and on downstream tasks [121.69867718185125]
  スケーリング法則は、高価なトレーニング実行を引き出すための有用なガイドである。 しかし、現在の研究と言語モデルがどのように訓練されているかには差がある。 対照的に、スケーリング法則は主に推論における損失を予測するが、モデルは通常下流のタスクのパフォーマンスで比較される。
  論文  参考訳（メタデータ） (2024-03-13T13:54:00Z)
• Advanced Deep Regression Models for Forecasting Time Series Oil Production [3.1383147856975633]
  本研究の目的は、逐次畳み込みと長寿命メモリ(LSTM)ユニットを用いた高度なデータ駆動回帰モデルを開発することである。 LSTMに基づくシーケンス学習モデルは,平均絶対誤差(MAE)とR2スコア(111.16点,0.98点)の1次元畳み込みニューラルネットワーク(CNN)よりも石油生産を予測できることがわかった。
  論文  参考訳（メタデータ） (2023-08-30T15:54:06Z)
• Pricing European Options with Google AutoML, TensorFlow, and XGBoost [0.0]
  本稿では,Google Cloud の AutoML Regressor と Neural Networks と XGBoost Gradient Boosting Decision Trees を用いて,欧州のオプションを価格で比較する。 3種類のモデルは全て平均的な絶対誤差でブラック・ショールズ・モデルを上回った。
  論文  参考訳（メタデータ） (2023-07-02T05:12:06Z)
• Dynamic Pricing with Volume Discounts in Online Settings [102.00782184214326]
  本稿では,電子商取引における客観的機能が利益であり,取引データのみが利用可能である場合の価格設定に焦点を当てる。 我々の研究は、異なるボリューム閾値で最適な価格を定め、異なるクラスのユーザーに提供する価格戦略を見つけることを目的としている。 我々は、オンライン形式でデータを活用できる2段階のオンライン学習アルゴリズムBを設計する。
  論文  参考訳（メタデータ） (2022-11-17T16:01:06Z)
• Stock Price Prediction Under Anomalous Circumstances [81.37657557441649]
  本稿では,異常な状況下での株価の変動パターンを捉えることを目的とする。 ARIMAとLSTMのモデルは、シングルストックレベル、業界レベル、一般市場レベルでトレーニングします。 2016年から2020年にかけての100社の株価に基づいて、平均予測精度は98%に達した。
  論文  参考訳（メタデータ） (2021-09-14T18:50:38Z)
• Self-Damaging Contrastive Learning [92.34124578823977]
  ラベルのないデータは一般に不均衡であり、長い尾の分布を示す。 本稿では,クラスを知らずに表現学習を自動的にバランスをとるための,自己学習コントラスト学習という原則的枠組みを提案する。 実験の結果,SDCLRは全体としての精度だけでなく,バランス性も著しく向上することがわかった。
  論文  参考訳（メタデータ） (2021-06-06T00:04:49Z)
• Accurate Stock Price Forecasting Using Robust and Optimized Deep Learning Models [0.0]
  本稿では,インドの自動車部門における重要な企業の株価の将来価格を正確に予測するために,回帰モデルの10種類の深層学習モデルを提案する。 5分間隔で集められた非常に粒状の株価を使用して、私達は2012年12月31日から2013年12月27日までの記録に基づいてモデルを訓練します。 本稿では,モデルの設計原理を説明し,予測精度と実行速度に基づいてその性能を解析する。
  論文  参考訳（メタデータ） (2021-03-28T09:52:29Z)
• Robust Analysis of Stock Price Time Series Using CNN and LSTM-Based Deep Learning Models [0.0]
  本稿では,株価予測において非常に高い精度が得られるディープラーニングに基づく回帰モデルについて述べる。 我々は4つの畳み込みニューラルネットワーク(CNN)と5つの長期記憶と短期記憶に基づくディープラーニングモデルを構築し、将来の株価を正確に予測する。
  論文  参考訳（メタデータ） (2020-11-07T16:07:10Z)
• A Deep Learning Framework for Predicting Digital Asset Price Movement from Trade-by-trade Data [20.392440676633573]
  本稿では,取引単位のデータから暗号通貨の価格変動を予測する枠組みを提案する。 このモデルは、1年近いトレードバイトレーダデータで高いパフォーマンスを達成するために訓練されている。 現実的な取引シミュレーション環境では、モデルによる予測は簡単に収益化できる。
  論文  参考訳（メタデータ） (2020-10-11T10:42:02Z)

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。