Fast Option Price Using Differential Machine Learning

Detalhes bibliográficos
Autor(a) principal: Teixeira, Andrei Fokin
Data de Publicação: 2024
Tipo de documento: Dissertação
Idioma: eng
Título da fonte: Repositórios Científicos de Acesso Aberto de Portugal (RCAAP)
Texto Completo: https://hdl.handle.net/10316/118451
Resumo: Dissertação de Mestrado em Engenharia e Ciência de Dados apresentada à Faculdade de Ciências e Tecnologia
id RCAP_f356e9feac746709ddd3dbd57020b56e
oai_identifier_str oai:estudogeral.uc.pt:10316/118451
network_acronym_str RCAP
network_name_str Repositórios Científicos de Acesso Aberto de Portugal (RCAAP)
repository_id_str https://opendoar.ac.uk/repository/7160
spelling Fast Option Price Using Differential Machine LearningPrecificação Rápida de Opções Usando Differential Machine LearningOption PricingFinancial MarketDifferential Machine LearningPrecificação de OpçõesMercado FinanceiroDifferential Machine LearningDissertação de Mestrado em Engenharia e Ciência de Dados apresentada à Faculdade de Ciências e TecnologiaFinancial markets, as other economic activities, have demanded increased efficiency in its results and has turned to Data Science for this purpose. This dissertation explores the potential of Differential Machine Learning techniques to enhance the speed and efficiency of option pricing in financial markets, the potential of which has already been proved in the literature. Facing many analytical equations as theoretical models to run Monte Carlo simulations to generate future expected stock prices and many option instruments in the market to generate expected payoffs, differential learning optimizes financial institutions' predictions and helps improve their operational results. This document reflects a systematic progression from the initial definition of the problem and the research objectives, recalling the history of the main financial models and instruments, the introduction of computing in predicting financial assets and the emergence of alternative and fast methods for carrying out the pricing option. Based on the inaugural paper by Huge & Savine (2020), the practical content of this thesis proposes, initially, the translation of their code written in TensorFlow to PyTorch, a more flexible, well-documented language with a rapidly growing community. Then, it happens an exploration of different architectural components of the neural network to see if each change is able to generate even greater improvements in differential learning. Three architectures with the best RMSE values and high percentage performance (average RMSE values) of differential learning compared to the standard were obtained, and it was observed how sensitive some of the architectural components of a neural network are to the point where small changes made to the code in the first paper resulted in very high RMSE values. Overall, this dissertation aims to contribute to the advancement of option pricing studies by presenting a vast history of the development of the problem studied and by creating new benchmarks in terms of architecture for PyTorch code language and metrics of evaluation.O mercado financeiro, à semelhança de outras atividades económicas, tem demandado uma maior eficiência nos seus resultados e tem recorrido à Ciência dos Dados para esse efeito. Esta dissertação explora o potencial das técnicas de Differential Machine Learning para aumentar a rapidez e a eficiência do cálculo de preços de opções nos mercados financeiros, cujo potencial já foi comprovado na literatura. Perante muitas equações analíticas a partir modelos teóricos para executar simulações de Monte Carlo para gerar preços futuros esperados de ações e muitos instrumentos de opções para gerar payoffs esperados das mesmas, a aprendizagem diferencial otimiza as previsões das instituições financeiras e ajuda a melhorar os seus resultados operacionais. Este documento reflete uma progressão sistemática a partir da definição inicial do problema e dos objetivos de investigação, recordando a história dos principais modelos e instrumentos financeiros, a introdução da informática na previsão de ativos financeiros e o aparecimento de métodos alternativos e rápidos para realizar a precificação de opções. Com base no artigo inaugural de Huge & Savine (2020), o conteúdo prático desta tese propõe, inicialmente, a tradução de seu código escrito em TensorFlow para PyTorch, que é uma linguagem mais flexível, bem documentada e com uma comunidade em rápido crescimento. Em seguida, é realizada uma exploração de diferentes componentes arquiteturais da rede neural para ver se cada mudança é capaz de gerar melhorias ainda maiores no aprendizado diferencial. Foram obtidas três arquiteturas com os melhores valores de RMSE e elevado desempenho percentual (valores médios de RMSE) da aprendizagem diferencial em relação à tradicional, além de ter sido observada que a sensibilidade de alguns dos componentes arquiteturais da rede é tal que pequenas alterações feitas resultam em valores mais elevados de RMSE. De uma forma geral, esta dissertação pretende contribuir para o avanço dos estudos de formação de preços de opções, apresentando uma vasta história do desenvolvimento do problema estudado e criando novos benchmarks em termos de arquitetura para a linguagem de código PyTorch e de métricas de avaliação.2024-09-11info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesishttps://hdl.handle.net/10316/118451https://hdl.handle.net/10316/118451TID:203929403engTeixeira, Andrei Fokininfo:eu-repo/semantics/openAccessreponame:Repositórios Científicos de Acesso Aberto de Portugal (RCAAP)instname:FCCN, serviços digitais da FCT – Fundação para a Ciência e a Tecnologiainstacron:RCAAP2025-03-28T23:00:17Zoai:estudogeral.uc.pt:10316/118451Portal AgregadorONGhttps://www.rcaap.pt/oai/openaireinfo@rcaap.ptopendoar:https://opendoar.ac.uk/repository/71602025-05-29T06:12:36.891552Repositórios Científicos de Acesso Aberto de Portugal (RCAAP) - FCCN, serviços digitais da FCT – Fundação para a Ciência e a Tecnologiafalse
dc.title.none.fl_str_mv Fast Option Price Using Differential Machine Learning
Precificação Rápida de Opções Usando Differential Machine Learning
title Fast Option Price Using Differential Machine Learning
spellingShingle Fast Option Price Using Differential Machine Learning
Teixeira, Andrei Fokin
Option Pricing
Financial Market
Differential Machine Learning
Precificação de Opções
Mercado Financeiro
Differential Machine Learning
title_short Fast Option Price Using Differential Machine Learning
title_full Fast Option Price Using Differential Machine Learning
title_fullStr Fast Option Price Using Differential Machine Learning
title_full_unstemmed Fast Option Price Using Differential Machine Learning
title_sort Fast Option Price Using Differential Machine Learning
author Teixeira, Andrei Fokin
author_facet Teixeira, Andrei Fokin
author_role author
dc.contributor.author.fl_str_mv Teixeira, Andrei Fokin
dc.subject.por.fl_str_mv Option Pricing
Financial Market
Differential Machine Learning
Precificação de Opções
Mercado Financeiro
Differential Machine Learning
topic Option Pricing
Financial Market
Differential Machine Learning
Precificação de Opções
Mercado Financeiro
Differential Machine Learning
description Dissertação de Mestrado em Engenharia e Ciência de Dados apresentada à Faculdade de Ciências e Tecnologia
publishDate 2024
dc.date.none.fl_str_mv 2024-09-11
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://hdl.handle.net/10316/118451
https://hdl.handle.net/10316/118451
TID:203929403
url https://hdl.handle.net/10316/118451
identifier_str_mv TID:203929403
dc.language.iso.fl_str_mv eng
language eng
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.source.none.fl_str_mv reponame:Repositórios Científicos de Acesso Aberto de Portugal (RCAAP)
instname:FCCN, serviços digitais da FCT – Fundação para a Ciência e a Tecnologia
instacron:RCAAP
instname_str FCCN, serviços digitais da FCT – Fundação para a Ciência e a Tecnologia
instacron_str RCAAP
institution RCAAP
reponame_str Repositórios Científicos de Acesso Aberto de Portugal (RCAAP)
collection Repositórios Científicos de Acesso Aberto de Portugal (RCAAP)
repository.name.fl_str_mv Repositórios Científicos de Acesso Aberto de Portugal (RCAAP) - FCCN, serviços digitais da FCT – Fundação para a Ciência e a Tecnologia
repository.mail.fl_str_mv info@rcaap.pt
_version_ 1833602615013801984

Registros relacionados