卷积神经网络结合准可逆性方法结果在期权预测中的应用
统计金融
2022-12-13 v2 机器学习
计算金融
摘要
本文提出了一种将数学金融与机器学习（ML）应用于预测股票期权价格的新方法。继《准可逆性方法与神经网络机器学习求解 Black-Scholes 方程》（发表于 AMS Contemporary Mathematics 期刊）一文的结果之后，我们创建并评估了用于 Black-Scholes 方程的新的经验数学模型，以分析 92,846 家公司的数据。我们将 Black-Scholes（BS）方程按时向前求解为一个不适定反问题，使用准可逆性方法（QRM）来预测未来一天的期权价格。对于每家公司，我们有 13 个要素，包括股票与期权每日价格、波动率、极小化子等。由于市场极为复杂，不存在完美模型，我们应用 ML 训练算法以作出最佳预测。当前研究阶段将 QRM 与卷积神经网络（CNN）结合，后者可同时跨大量数据点学习信息。我们实施 CNN，通过在样本市场数据上验证与测试来生成新结果。我们测试了应用 CNN 的不同方式，并将我们的 CNN 模型与先前模型进行比较，以考察是否可能实现更高的利润率。
引用
@article{arxiv.2208.14385,
title = {Application of Convolutional Neural Networks with Quasi-Reversibility Method Results for Option Forecasting},
author = {Zheng Cao and Wenyu Du and Kirill V. Golubnichiy},
journal= {arXiv preprint arXiv:2208.14385},
year = {2022}
}
备注
10 pages, 2 figures, 5 tables