A carregar...
Publicação
A hybrid approach to option pricing integrating unsupervised and supervised machine learning models
| Nome: | Descrição: | Tamanho: | Formato: | |
|---|---|---|---|---|
| 2.65 MB | Adobe PDF |
Autores
Orientador(es)
Resumo(s)
This thesis explores a novel approach to option pricing by integrating unsupervised
and supervised machine learning models. The objective is to assess whether these models
can outperform the traditional Black-Scholes-Merton model and to investigate the effect
of clustering on prediction accuracy. The analysis uses data from the Ivy DB US database,
focusing on S&P 500 options traded on the CBOE from December 30, 2019, to December
30, 2022. The methodology involves applying K-means clustering to segment the dataset,
followed by training Random Forest and Deep Neural Network models on these clusters.
The models' performances are then compared against non-clustered machine learning
models and the BSM model. The results show that the hybrid machine learning approach
improves option pricing accuracy. Specifically, the Deep Neural Network models achieve
a median improvement of 39.1%, while the Random Forest models show a median
improvement of 5.2%. This suggests the potential of integrating advanced clustering
techniques in financial modeling for more precise option pricing.
Esta tese explora uma abordagem inovadora para a precificação de opções, integrando modelos de machine learnig supervisionados e não supervisionados. O objetivo é avaliar se esses modelos podem superar o modelo tradicional de Black-Scholes-Merton e investigar o efeito da clusterização na precisão das previsões. A análise utiliza dados do banco de dados Ivy DB US, focando-se em opções do S&P 500 negociadas na CBOE de 30 de dezembro de 2019 a 30 de dezembro de 2022. A metodologia envolve a aplicação da clusterização K-means para segmentar o conjunto de dados, seguida pelo treinamento de modelos Random Forest e Deep Neural Network nesses clusters. O desempenho dos modelos é então comparado com os modelos de machine learnig não clusterizados e com o modelo BSM. Os resultados mostram que a abordagem híbrida machine learnig melhora a precisão da precificação de opções. Especificamente, os modelos de Deep Neural Network alcançam uma melhoria média de 39,1%, enquanto os modelos Random Forest mostram uma melhoria média de 5,2%. Isso sugere o potencial de integrar técnicas avançadas de clusterização na modelagem financeira para uma precificação de opções mais precisa.
Esta tese explora uma abordagem inovadora para a precificação de opções, integrando modelos de machine learnig supervisionados e não supervisionados. O objetivo é avaliar se esses modelos podem superar o modelo tradicional de Black-Scholes-Merton e investigar o efeito da clusterização na precisão das previsões. A análise utiliza dados do banco de dados Ivy DB US, focando-se em opções do S&P 500 negociadas na CBOE de 30 de dezembro de 2019 a 30 de dezembro de 2022. A metodologia envolve a aplicação da clusterização K-means para segmentar o conjunto de dados, seguida pelo treinamento de modelos Random Forest e Deep Neural Network nesses clusters. O desempenho dos modelos é então comparado com os modelos de machine learnig não clusterizados e com o modelo BSM. Os resultados mostram que a abordagem híbrida machine learnig melhora a precisão da precificação de opções. Especificamente, os modelos de Deep Neural Network alcançam uma melhoria média de 39,1%, enquanto os modelos Random Forest mostram uma melhoria média de 5,2%. Isso sugere o potencial de integrar técnicas avançadas de clusterização na modelagem financeira para uma precificação de opções mais precisa.
Descrição
Mestrado Bolonha em Finanças
Palavras-chave
Option Pricing Machine Learning K-Means Clustering Random Forest Deep Neural Network
Contexto Educativo
Citação
Loggia, Gabriele (2024). “A hybrid approach to option pricing integrating unsupervised and supervised machine learning models”. Dissertação de Mestrado. Universidade de Lisboa. Instituto Superior de Economia e Gestão
Editora
Instituto Superior de Economia e Gestão