关于用于从美式期权提取隐含信息的校准神经网络
计算金融
2020-02-05 v1 机器学习
神经与进化计算
摘要
从观测到的期权价格中提取隐含信息（如波动率和/或股息）在处理美式期权时是一项具有挑战性的任务，因为求解相应数学问题数千次所需的计算成本很高。我们将采用数据驱动的机器学习方法，以快速且鲁棒的方式估计美式期权的 Black-Scholes 隐含波动率和股息率。对于隐含波动率，逆函数在感兴趣的计算域上由人工神经网络近似，其将离线（训练）与在线（预测）阶段解耦，从而消除了迭代过程的需要。对于隐含股息率，我们将逆问题表述为校准问题，并同时确定隐含波动率和股息率。为此，引入了通用且鲁棒的校准框架——校准神经网络(CaNN)来估计多个参数。结果表明，机器学习可作为一种高效数值技术用于从美式期权提取隐含信息。
引用
@article{arxiv.2001.11786,
title = {On Calibration Neural Networks for extracting implied information from American options},
author = {Shuaiqiang Liu and Álvaro Leitao and Anastasia Borovykh and Cornelis W. Oosterlee},
journal= {arXiv preprint arXiv:2001.11786},
year = {2020}
}
备注
24 pages