Deep Calibration With Artificial Neural Network: A Performance Comparison on Option Pricing Models

要約

このホワイト ペーパーでは、オプション価格設定モデルのキャリブレーション アルゴリズムのモデルフリー ソリューションとして人工ニューラル ネットワーク (ANN) を検討します。
2 つのよく知られている GARCH タイプのオプション価格設定モデルのパラメーターを調整するために ANN を構築します。Duan の GARCH と、Black-Scholes モデルの制限を大幅に改善するが、計算の複雑さに悩まされている古典的な強化された安定した GARCH です。
この技術的な問題を軽減するために、モンテカルロ シミュレーション (MCS) メソッドによって生成されたデータセットを使用して ANN をトレーニングし、それらを適用して最適なパラメーターを調整します。
パフォーマンスの結果は、ANN アプローチが一貫して MCS よりも優れており、トレーニング後の計算時間の短縮を利用していることを示しています。
オプションのギリシア語についても説明します。

要約(オリジナル)

This paper explores Artificial Neural Network (ANN) as a model-free solution for a calibration algorithm of option pricing models. We construct ANNs to calibrate parameters for two well-known GARCH-type option pricing models: Duan’s GARCH and the classical tempered stable GARCH that significantly improve upon the limitation of the Black-Scholes model but have suffered from computation complexity. To mitigate this technical difficulty, we train ANNs with a dataset generated by Monte Carlo Simulation (MCS) method and apply them to calibrate optimal parameters. The performance results indicate that the ANN approach consistently outperforms MCS and takes advantage of faster computation times once trained. The Greeks of options are also discussed.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google