डीप लर्निंग पर आधारित विकल्प मूल्य निर्धारण पूर्वानुमान पर अनुसंधान

एक वित्तीय व्युत्पन्न के रूप में, विकल्पों में उच्च प्राथमिकता की हेजिंग और आर्बिट्रेज क्षमताएं हैं। यूरोपीय विकल्पों के लिए पारंपरिक मूल्य निर्धारण तरीके, जैसे कि ब्लैक-शोल्स मूल्य निर्धारण मॉडल, मर्टन मॉडल, और बर्गेसमैन मॉडल, कठोर धारणाओं पर निर्भर करते हैं और स्टोकैस्टिक प्रक्रियाओं का उपयोग करके विकल्प मूल्य प्रवृत्तियों का अनुकरण करते हैं। हालाँकि, इन धारणाओं और वास्तविक बाजार की स्थिति के बीच के भिन्नताओं के कारण, ये पारंपरिक मॉडल अक्सर असली दुनिया के विकल्प मूल्य निर्धारण को सटीक रूप से नहीं दर्शाते हैं। इसलिए, यह पत्र डेटा-संचालित दृष्टिकोण अपनाता है जो विकल्प मूल्य निर्धारण प्रक्रिया का अनुकरण करने के लिए गहरे शिक्षण एल्गोरिदम का उपयोग करता है। शास्त्रीय ब्लैक-शोल्स मूल्य निर्धारण सिद्धांत के आधार पर, हम विकल्प मूल्य निर्धारण पूर्वानुमान के लिए BP न्यूरेल नेटवर्क और LSTM न्यूरेल नेटवर्क के उपयोग की संभावनाओं की खोज करते हैं। SSE 50ETF विकल्पों के ऐतिहासिक डेटा का उपयोग करते हुए, हम दो पूर्वानुमानात्मक मॉडल बनाते हैं और पूर्वानुमान सटीकता का आकलन करने के लिए MSE, MAE, और R-स्क्वेयर्ड का उपयोग करते हैं। प्रयोगात्मक परिणाम यह दिखाते हैं कि LSTM मॉडल SSE 50ETF विकल्पों की कीमत का पूर्वानुमान करने में अन्य मॉडलों की तुलना में काफी बेहतर प्रदर्शन करता है।