A carregar...
Publicação
Pricing options using the XGBoost Model
| Nome: | Descrição: | Tamanho: | Formato: | |
|---|---|---|---|---|
| 938.38 KB | Adobe PDF |
Autores
Orientador(es)
Resumo(s)
Options are financial derivatives used for risk management and speculation,
for example, and have been studied extensively in order to forecast its price. Before
the technological revolution, parametric models were used with strict assumptions
to forecast the options price, such as the Black-Scholes Model. Since then, Machine
Learning models, such as the XGBoost model have been created to make forecasts
without such strict assumptions from parametric models.
The purpose of this dissertation is to show how the XGBoost model can forecast
option prices accurately using variables from the BSM. In addition, by using the structure of the standard deviation, third and fourth moment of the distribution of the stock
price, the days to the next dividend and the next dividend to be paid, this study aims
to understand by how much it improves the price forecasted from the XGBoost model
with variables from the BSM. Thus, options from 100 of the biggest companies in the
S&P 500 between November and February of 2020 are used to train and test the two
XGBoost models. The BSM is used as the benchmark.
The results are very favorable towards the XGBoost models since the RMSE of
the first and the second model are lower than the BSM by 29.51% and 35.47% , respectively. When looking at the options by its distance to the strike price, the XGBoost
models always perform better than the BSM, but when the latter has a terrible performance for ITM, XGBoost has a bad performance too. For OTM put options, BSM
underprices the options while XGBoost models don’t. For short maturities, the XGBoost
models don’t improve the performance relative to the BSM by much. Although, they
provide a good forecast when compared to BSM for options with long maturities. In a
nutshell, the second XGBoost model is always better than the first and almost always
they forecast with better accuracy and less bias than the BSM.
Opções são derivativos financeiros usados para gestão de risco e especulação, por exemplo, e têm sido estudadas extensivamente de modo a realizar a previsão do seu preço. Antes da revolução tecnológica, os modelos paramétricos eram usados com pressupostos restritivos para prever o preço das opções, tais como o Modelo de Black-Scholes. Desde então, os modelos de Machine Learning, tais como o Modelo XGBoost têm sido criados para realizar previsões sem pressupostos tão restritos como os modelos paramétricos. O objetivo desta dissertação é mostrar como o modelo XGBoost pode prever o preço das opções com precisão usando variáveis do BSM. Além disso, ao usar a estrutura temporal do desvio padrão, terceiro e quarto momento da distribuição do preço da ação, os dias até ao próximo dividendo e o próxumo dividendo a ser pago, este estudo tem como objetivo perceber o quão melhor é a previsão do modelo XGBoost com as variáveis do BSM. Assim, as opções das 100 maiores empresas no S&P 500 entre Novembro e Fevereiro de 2020 são usadas para treinar e testar os dois modelos XGBoost. O BSM é usado como benchmark. Os resultados são muito favoráveis aos modelos XGBoost uma vez que o RMSE do primeiro e segundo modelo são mais baixos do que o BSM em 29.51% e 35.47%, respectivamente. Quando se olha para as opções em termos de distância ao preço de exercício, os modelos XGBoost têm sempre uma previsão melhor que o BSM, mas quando o último tem uma péssima performance para ITM, o XGBoost tem uma má performance também. Para opções put OTM, o preço do BSM é, em média, inferior ao preço justo das opções, enquanto que os modelos XGBoost não. Para opções de curta duração, os modelos XGBoost não melhoram a performance relativamente ao BSM por muito. Contudo, os modelos dão uma boa previsão quando comparado com o BSM para opções com maturidades maiores. Em suma, o segundo modelo XGBoost é sempre melhor que o primeiro e quase sempre prevêem com melhor exatidão e menos enviesamento que o BSM.
Opções são derivativos financeiros usados para gestão de risco e especulação, por exemplo, e têm sido estudadas extensivamente de modo a realizar a previsão do seu preço. Antes da revolução tecnológica, os modelos paramétricos eram usados com pressupostos restritivos para prever o preço das opções, tais como o Modelo de Black-Scholes. Desde então, os modelos de Machine Learning, tais como o Modelo XGBoost têm sido criados para realizar previsões sem pressupostos tão restritos como os modelos paramétricos. O objetivo desta dissertação é mostrar como o modelo XGBoost pode prever o preço das opções com precisão usando variáveis do BSM. Além disso, ao usar a estrutura temporal do desvio padrão, terceiro e quarto momento da distribuição do preço da ação, os dias até ao próximo dividendo e o próxumo dividendo a ser pago, este estudo tem como objetivo perceber o quão melhor é a previsão do modelo XGBoost com as variáveis do BSM. Assim, as opções das 100 maiores empresas no S&P 500 entre Novembro e Fevereiro de 2020 são usadas para treinar e testar os dois modelos XGBoost. O BSM é usado como benchmark. Os resultados são muito favoráveis aos modelos XGBoost uma vez que o RMSE do primeiro e segundo modelo são mais baixos do que o BSM em 29.51% e 35.47%, respectivamente. Quando se olha para as opções em termos de distância ao preço de exercício, os modelos XGBoost têm sempre uma previsão melhor que o BSM, mas quando o último tem uma péssima performance para ITM, o XGBoost tem uma má performance também. Para opções put OTM, o preço do BSM é, em média, inferior ao preço justo das opções, enquanto que os modelos XGBoost não. Para opções de curta duração, os modelos XGBoost não melhoram a performance relativamente ao BSM por muito. Contudo, os modelos dão uma boa previsão quando comparado com o BSM para opções com maturidades maiores. Em suma, o segundo modelo XGBoost é sempre melhor que o primeiro e quase sempre prevêem com melhor exatidão e menos enviesamento que o BSM.
Descrição
Mestrado Bolonha em Finanças
Palavras-chave
Options Black-Scholes model XGBoost forecast Opções Modelo Black-Scholes Previsão
Contexto Educativo
Citação
Editora
Instituto Superior de Economia e Gestão