数据驱动下基于深度学习的期权定价研究

Traditional professional traders and institutional investors usually utilized complex stochastic models to price various derivatives and make trading decisions in the option market. In recent years, with the rapid growth of algorithmic trading and program trading, the advanced information and communication technology has become an indispensable element for the market makers, which also puts higher requirements on the computational efficiency and pricing accuracy of the option pricing models. Therefore, with the rapid development of both the FinTech and Mainland China option markets, it is especially important that how to apply the frontier areas of science and technology, such as artificial intelligence and deep learning, to the field of derivatives pricing for enhancing the pricing efficiency of option market. This project aims to adopt multi-disciplinary cross-over theories and methods, such as deep learning, machine learning, stochastic analysis, to carry out the research on data-driven option pricing in the context of FinTech. Specifically, we first analyze the main risk factors that affect the change of option price. Secondly, we propose the option pricing models based on deep learning approach. Finally, we design the corresponding algorithm and conduct empirical studies. Meantime, the expected results of this project can not only further enrich and expand the existing option pricing theory, but also provide decision support for government regulatory agencies, financial institutions and individual investors to proceed diversified investment risk management and supervision.

传统的专业交易员和机构投资者通常利用复杂的随机模型对金融衍生品进行定价，进而在期权市场做出交易决策。近年来，随着算法交易和程序交易的快速发展，先进的信息和通信技术已经成为做市商不可或缺的基本要素，这也就对期权定价模型的计算效率和定价精度提出了更高的要求。因此，在当前金融科技迅猛发展和大陆期权市场规模逐步扩大的综合背景下，如何将人工智能和深度学习等前沿科学技术应用于衍生品定价领域以提升市场定价效率显得尤为重要。本项目拟采用深度学习、机器学习、金融随机分析等多学科交叉理论与方法，围绕影响期权价格变化的主要影响因素分析、基于深度学习的期权定价模型构建、定价模型的算法实现与实证分析三大研究主题，循序渐进展开金融科技背景下数据驱动的期权定价研究。同时，本项目的预期成果不仅可以进一步丰富和拓展已有期权定价理论，而且还可以为政府监管部门、金融机构和个体投资者进行多元化投资风险管理及监管提供决策支持。

随着数据挖掘技术的蓬勃发展和金融数据的不断积累，从数据中挖掘更多隐藏知识以提升金融决策的准确性和有效性逐渐成为金融学界和业界的共识。这使得以深度学习为代表的机器学习方法在金融领域中的应用越来越广泛，尤其是在算法交易、资产定价、风险管理、欺诈监测和信贷审批等金融领域。因此，在当前数字金融迅猛发展和我国期权市场规模逐步扩大的综合背景下，如何结合深度学习等前沿科学技术进行衍生品定价以提升市场定价效率显得尤为重要。本项目在梳理已有研究成果的基础上，主要进行了以下三个方面的研究：一是研究了我国期权市场隐含信息在波动率预测中的重要性，通过引入无模型的隐含波动率指数构建了基于上证50ETF高频数据的异质自回归模型，研究结果表明期权市场隐含信息可以显著提高波动率预测的能力；二是研究了考虑投资者风险偏好、市场流动性水平和特质风险等不确定性因素的欧式期权定价问题，运用非线性期望和傅里叶变换等技术方法推导出了期权价格的解析表达式，并运用上证50ETF期权的交易数据进行了实证分析；三是研究了基于深度学习方法的欧式期权定价问题，构建了深度前馈神经网络模型，其中输入变量与经典的Black-Schoels模型中的输入参数一致，并利用上证50ETF期权的交易数据对深度定价模型进行了样本内训练和样本外预测，研究结果表明该深度学习定价模型较Black-Schoels模型具有更高的定价精度。本项目的研究成果不仅可以进一步丰富和拓展已有期权定价理论，而且还可以为政府监管部门、金融机构和个体投资者进行多元化投资风险管理及监管提供决策支持。