Deep Learning for Option Pricing and Implied Volatility Surfaces: A No-Arbitrage Neural Network Approach with a Frontier-Market Transferability Test
Diese Studie zeigt, dass arbitrage-bewusste neuronale Netze zwar die In-Sample-Genauigkeit der Optionspreisbildung verbessern, jedoch ohne Feinabstimmung nicht auf datenarme Frontier-Märkte generalisieren können, auf denen rekalkibrierte parametrische Modelle wie das Heston-Modell robuster und effizienter bleiben.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
In der Welt der Finanzen sind Optionen Kontrakte, die jemandem das Recht geben, einen Vermögenswert zu einem bestimmten Preis bis zu einem bestimmten Datum zu kaufen oder zu verkaufen. Um diese Kontrakte fair einzupreisen, verlassen sich Händler auf ein Konzept namens „implizite Volatilität“, was im Wesentlichen ein Maß dafür ist, wie stark der Markt erwartet, dass der Preis eines Vermögenswerts in der Zukunft schwanken wird. Wenn man sich den Preis einer Aktie als ein Boot auf dem Ozean vorstellt, dann ist die implizite Volatilität die Vorhersage darüber, wie rau die Wellen sein werden. Seit Jahrzehnten nutzen Mathematiker feste Formeln, um diese Wellen vorherzusagen, aber echte Märkte sind chaotisch und verändern sich ständig. In den letzten Jahren haben Wissenschaftler versucht, künstliche Intelligenz, speziell Deep Learning, einzusetzen, um diese Muster direkt aus Daten zu lernen, in der Hoffnung, ein System zu bauen, das flexibler und genauer als die alten Formeln ist. Eine große Sorge blieb jedoch bestehen: Wenn ein Computer lernt, Preise zu gut vorherzusagen, könnte er versehentlich eine Preisstruktur erfinden, die „leicht verdientes Geld“ ermöglicht – eine Situation, die als Arbitrage bekannt ist und in einem stabilen Markt nicht existieren kann. Darüber hinaus bleibt unklar, ob ein Computer, der auf den geschäftigen, liquiden Märkten entwickelter Nationen trainiert wurde, in den dünnen, ruhigen Märkten aufstrebender Volkswirtschaften Sinn ergeben kann.
Ein Forscherteam an der University of Ibadan in Nigeria unternahm den Versuch, diese Ideen zu testen, indem sie eine neue Art von neuronalem Netzwerk baute, einem Typ von Computerprogramm, das darauf ausgelegt ist, Muster zu erkennen. Ihr Ziel war es, ein System zu schaffen, das nicht nur lernte, Optionspreise genau vorherzusagen, sondern auch streng die Regeln befolgte, die „Gratisgeld“ verhindern. Sie trainierten dieses System mit einer riesigen Menge an simulierten Daten, die einen gesunden, liquiden Markt repräsentierten, ähnlich denen in den USA oder Europa. Um sicherzustellen, dass der Computer keine Verstöße beging, fügten sie einen speziellen Strafmechanismus (Penalty) zu seinem Lernprozess hinzu. Wenn die Vorhersagen des Computers eine Preisstruktur erzeugten, die einen risikofreien Gewinn ermöglichte, erhöhte sich die Strafe, was das System dazu zwang, seine interne Logik anzupassen, bis die Kurve wieder glatt und logisch wurde. Dieser Ansatz war darauf ausgelegt zu sehen, ob das Beibringen dieser Finanzregeln an den Computer ihn zu einem besseren Vorhersager macht.
Die Forscher unterzogen ihre Schöpfung daraufhin einem strengen Test. Zuerst prüften sie, wie gut er bei denselben Arten von liquiden Marktdaten performte, mit denen er trainiert worden war. Die Ergebnisse waren vielversprechend. Der Computer, dem beigebracht worden war, die No-Arbitrage-Regeln zu respektieren, machte weniger Fehler als eine Version, der dies nicht beigebracht worden war. Er sagte die Volatilität des Marktes mit größerer Präzision voraus und produzierte weniger unmögliche Preisszenarien. Tatsächlich war der durch die Strafe korrigierte Computer im Vergleich zu einer Standard-Nicht-KI-Formel signifikant genauer. Die Geschichte änderte sich jedoch dramatisch, als die Forscher versuchten, denselben Computer in einer völlig anderen Umgebung einzusetzen. Sie simulierten einen „Frontier Market“, ein Umfeld mit sehr wenigen Handelsaktivitäten, hohen Zinssätzen und plötzlichen, heftigen Preissprüngen, modelliert nach den Bedingungen der Nigerianischen Börse.
Als der Computer, der diese Art von Markt noch nie gesehen hatte, gebeten wurde, Vorhersagen zu treffen, scheiterte er spektakulär. Die Version, die intensiv darauf trainiert worden war, die Regeln des liquiden Marktes zu respektieren, schnitt am schlechtesten ab und machte Fehler, die weitaus größer waren als selbst eine einfache, basale Vermutung. Die Regeln, die ihm im geschäftigen Markt zum Erfolg verhalfen, wurden im ruhigen, volatilen Markt tatsächlich zu einem Hindernis. Der Computer hatte die spezifische Form des liquiden Marktes so gut gelernt, dass er sich nicht an die seltsame, gezackte Form des Frontier-Marktes anpassen konnte. Die Forscher fanden heraus, dass der einzige Weg zur Besserung darin bestand, dem Computer eine kleine Menge neuer Daten aus dem Frontier-Markt zu zeigen – gerade einmal sechsundachtzig Beispiele – und ihn die Anpassung seines Lernens leicht modifizieren zu lassen. Sobald er diese winzige Menge an neuen Informationen erhielt, verbesserte sich die Leistung des Computers drastisch und schloss die Lücke zu den traditionelleren Modellen.
Die Studie verglich diese KI-Modelle auch mit einem klassischen mathematischen Ansatz namens Heston-Modell, das eine Reihe von fünf anpassbaren Zahlen verwendet, um das Marktverhalten zu beschreiben. Überraschenderweise blieb das klassische Modell in fast jedem Szenario das genaueste Werkzeug. Da das klassische Modell einfach ist, konnte es jeden einzelnen Tag schnell mit nur einer Handvoll neuer Marktkurse rekalibriert werden, was es ihm ermöglichte, sich sofort an verändernde Bedingungen anzupassen. Die künstliche Intelligenz hingegen musste mit neuen Daten neu trainiert oder feinjustiert werden, um Schritt zu halten. Die Forscher kamen zu dem Schluss, dass das Hinzufügen von Regeln zur Vermeidung von Arbitrage ein KI-Modell zwar innerhalb der Umgebung, in der es trainiert wurde, besser macht, es aber nicht zu einem universellen Experten macht. Ein System, das für einen ruhigen, liquiden Ozean entworfen wurde, kann nicht einfach in ein stürmisches, seichtes Meer versetzt werden und von einem erwartet werden, ohne zuvor die lokalen Strömungen gelernt zu haben.
Letztlich deutet die Arbeit darauf hin, dass es riskant ist, sich in Entwicklungsländern oder für neue, dünn gehandelte Produkte allein auf eine vorab trainierte künstliche Intelligenz zu verlassen. Der Computer muss die spezifischen Regeln der neuen Umgebung lernen, selbst wenn das bedeutet, ihm nur eine geringe Anzahl von Beispielen zu zeigen. Bis solche Daten verfügbar sind, bleiben die älteren, einfacheren mathematischen Modelle, die schnell an die täglichen Marktbedingungen angepasst werden können, die sicherere und zuverlässigere Wahl. Die Studie unterstreicht eine entscheidende Lektion für die Zukunft der Finanzwelt: Intelligenz in einem Kontext garantiert keine Weisheit in einem anderen, und das mächtigste Werkzeug ist oft dasjenige, das am schnellsten lernen und sich anpassen kann.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.