| Abstract : | Η παρούσα διπλωματική εργασία δίνει μία σφαιρική εικόνα για την έρευνα αλλά και την εφαρμογή της μηχανικής μάθησης (machine learning-ML) και της υποκατηγορίας αυτής, βαθιάς μάθησης (deep learning-DL), στη διαδικασία αποτίμησης των χρηματοοικονομικών δικαιωμάτων (παραθέτοντας εκτός από την εμπειρική έρευνα, πίνακα συγκριτικής βιβλιογραφίας και σχήματα δημιουργημένα για τις ανάγκες της εργασίας) .Η συγκριτική μελέτη θα πραγματοποιηθεί σε δύο στάδια, πρώτα – θα υπάρξει ένα πείραμα πάνω στην αποτίμηση των δικαιωμάτων και σε δεύτερο στάδιο ένα πείραμα πάνω στην αντιστάθμιση του δέλτα δικαιωμάτων αμερικανικού τύπου. Συγκεκριμένα εξετάζονται το μοντέλο που ονομάζεται “δέντρα αποφάσεων ακραίας σταδιακής ενίσχυσης” (Extreme Gradient Boosting trees-XGBoost), το οποίο αποτελεί έναν από τους πιο εξελιγμένους αλγόριθμους στην κατηγορία του κερδίζοντας αρκετά βραβεία και διακρίσεις σε σχετικούς διαγωνισμούς βαθιάς μάθησης (Tianqi Chen, 2016).Επιπρόσθετα, εξετάζεται στην επίδοσή του, το “πολυστρωματικό αντιληπτρό” (multilayer perceptron -MLP, Werbos 1974, Rumelhart κ.α 1986) το οποίο ανήκει στην οικογένεια των ΤΝΔ (Artificial Neural Networks – ANN) της βαθιάς μάθησης. Επίσης συστήνεται ένα παραμετρικό γραμμικό μοντέλο το οποίο δοκιμάζεται ξεχωριστά σε δικαιώματα με τιμή μετοχής υψηλότερη της τιμής άσκησης (in the money – ITM) και σε δικαιώματα με τιμή μετοχής χαμηλότερες της τιμής άσκησης (out of the money – OTM), σε συμφωνία με τη μεθοδολογία της έρευνας των Hutchinson κ.α (1994) και της σχετικής βιβλιογραφίας. Αυτό φυσικά δεν είναι τυχαίο αφού η συγκεκριμένη έρευνα αποτέλεσε σημείο σταθμό στον τομέα της αλλά και πηγή έμπνευσης για την συγκεκριμένη εργασία. Τέλος παρουσιάζεται ένα μη γραμμικό παραμετρικό μοντέλο σαν αντικείμενο μελέτης και επέκτασης αλλά και μέτρο σύγκρισης για τα άλλα μη παραμετρικά μοντέλα.Το αξιόλογο στην παρακάτω εργασία είναι ότι ακολουθήθηκε πιστά η διαδικασία των Hutchinson κ.α (1994) όσον αφορά τη δημιουργία συνθετικών δικαιωμάτων μετοχής αμερικανικού τύπου σύμφωνα με τους κανόνες του χρηματιστηρίου παραγώγων του Σικάγο, δημιουργώντας περίπου 800.000 δεδομένα συνολικά (401.600*2).
This thesis gives a comprehensive overview of the research and application of machine learning (ML) and its sub-category, deep learning (DL), in the process of pricing and hedging options (citing except the empirical research, comparative literature table and charts created for the needs of this thesis). The comparative study will be carried out in two stages, first - there will be an experiment on the pricing of options and in the second stage an experiment on delta-hedging American-type options.Specifically, we consider the model called “Extreme Gradient Boosting Trees” (XGBoost), which is one of the most sophisticated algorithms in its category, winning several awards in relevant deep learning competitions (Tianqi Chen, 2016). In addition, the multilayer perceptron (MLP, Werbos 1974, Rumelhart et al. 1986), which belongs to the Artificial Neural Networks (ANN) family of deep learning is also being examined. We also recommend a parametric linear model that is tested separately on “ITM” and “OTM” options, in accordance with the methodology of Hutchinson et al.'s (1994) research and the related literature. This is, of course, not accidental as this research has been a focal point in its field but also a source of inspiration for this thesis. Finally, a non-linear parametric model is presented as object of study and extension of the original paper, as well as a comparison measure for the other non-parametric models. It’s worth mentioning that in the following thesis the process of Hutchinson et al (1994) for generating synthetic American-type options was followed closely,under the rules of the Chicago Derivatives Exchange, generating approximately 800,000 data in total (401,600 * 2).
|
|---|
Copyright © 2013 Library AUEB. All rights reserved.