Αποτίμηση ασιατικών δικαιωμάτων προαίρεσης με μηχανική μάθηση και προσομοίωση
Ημερομηνία
2025-11-25
Συγγραφείς
Τίτλος Εφημερίδας
Περιοδικό ISSN
Τίτλος τόμου
Εκδότης
Επιβλέπων / ουσα
Διαθέσιμο από
Περίληψη
Η παρούσα διπλωματική εργασία εξετάζει την αποτίμηση ασιατικών δικαιωμάτων προαίρεσης (Asian options) με τη χρήση μεθόδων μηχανικής μάθησης και στοχαστικής προσομοίωσης. Τα ασιατικά options είναι παράγωγα χρηματοοικονομικά προϊόντα των οποίων η αξία εξαρτάται από τον μέσο όρο της τιμής του υποκείμενου στοιχείου εντός της διάρκειας ζωής του συμβολαίου, γεγονός που τα καθιστά πιο σύνθετα από τα κλασικά ευρωπαϊκά ή αμερικανικά δικαιώματα. Για την παραγωγή των απαιτούμενων δεδομένων αποτίμησης, χρησιμοποιείται το στοχαστικό μοντέλο μεταβλητότητας Heston σε συνδυασμό με προσομοιώσεις Monte Carlo. Εν συνεχεία, εφαρμόζονται τεχνητά νευρωνικά δίκτυα για την εκμάθηση της συνάρτησης αξίας του option, επιτρέποντας την ταχεία και ακριβή πρόβλεψη τιμών χωρίς την ανάγκη επανειλημμένων υπολογιστικά δαπανηρών προσομοιώσεων. Η μεθοδολογία αξιολογείται εμπειρικά και συγκρίνεται με τις παραδοσιακές τεχνικές αποτίμησης. Η εργασία καταλήγει στο συμπέρασμα ότι η προσέγγιση της αποτίμησης με χρήση τεχνητής νοημοσύνης αποτελεί μια αποδοτική και ευέλικτη εναλλακτική για την τιμολόγηση σύνθετων χρηματοοικονομικών παραγώγων, ιδίως όταν δεν υφίστανται αναλυτικές λύσεις.This thesis examines the valuation of Asian options using machine learning and stochastic simulation methods. Asian options are derivative financial products whose value depends on the average price of the underlying asset over the life of the contract, making them more complex than classic European or American options. To generate the required valuation data, the Heston stochastic volatility model is used in combination with Monte Carlo simulations. Artificial neural networks are then applied to learn the option value function, allowing for fast and accurate price prediction without the need for repeated computationally expensive simulations. The methodology is empirically evaluated and compared with traditional valuation techniques. The thesis concludes that the AI-based valuation approach is an efficient and flexible alternative for pricing complex financial derivatives, especially when analytical solutions are not available.
Περιγραφή
Λέξεις-κλειδιά
Options, Monte Carlo, Heston, XGBoost, Greeks, Hedge, Machine learning, Artificial Intelligence (AI), Τεχνητή Νοημοσύνη (ΤΝ), Μηχανική μάθηση, Προσομoίωση

