Deep Learning for Option Pricing and Implied Volatility Surfaces: A No-Arbitrage Neural Network Approach with a Frontier-Market Transferability Test
Cette étude démontre que si les réseaux de neurones sensibles à l'arbitrage améliorent la précision de l'évaluation des options en échantillon, ils ne parviennent pas à se généraliser aux marchés frontières où les données sont rares sans un ajustement fin, là où des modèles paramétriques recalibrés comme le modèle de Heston demeurent plus robustes et efficaces.
Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
Dans le monde de la finance, les options sont des contrats qui donnent le droit d'acheter ou de vendre un actif à un prix spécifique à une certaine date. Pour évaluer ces contrats de manière équitable, les traders s'appuient sur un concept appelé « volatilité implicite », qui est essentiellement une mesure de la façon dont le marché s'attend à ce que le prix d'un actif fluctue à la hausse ou à la baisse à l'avenir. Si vous imaginez le prix d'une action comme un bateau sur l'océan, la volatilité implicite est la prévision de la force des vagues. Pendant des décennies, des mathématiciens ont utilisé des formules fixes pour prédire ces vagues, mais les marchés réels sont désordonnés et changent constamment. Ces dernières années, des scientifiques ont tenté d'utiliser l'intelligence artificielle, plus précisément l'apprentissage profond (deep learning), pour apprendre ces modèles directement à partir des données, dans l'espoir de construire un système plus flexible et plus précis que les anciennes formules. Cependant, une inquiétude majeure persiste : si un ordinateur apprend à prédire les prix trop bien, il pourrait accidentellement inventer une structure de prix permettant de l'« argent gratuit », une situation connue sous le nom d'arbitrage, qui ne peut exister dans un marché stable. De plus, il reste incertain de savoir si un ordinateur entraîné sur les marchés denses et liquides des nations développées peut donner un sens aux marchés peu actifs et calmes des économies émergentes.
Une équipe de chercheurs de l'Université d'Ibadan au Nigéria a entrepris de tester ces idées en construisant un nouveau type de réseau de neurones, un type de programme informatique conçu pour reconnaître des modèles. Leur objectif était de créer un système qui non seulement apprenait à prédire les prix des options avec précision, mais qui respectait également strictement les règles qui empêchent l'argent gratuit. Ils ont entraîné ce système sur une quantité massive de données simulées représentant un marché sain et liquide, similaire à ceux des États-Unis ou de l'Europe. Pour s'assurer que l'ordinateur ne violait pas de contraintes, ils ont ajouté une pénalité spéciale à son processus d'apprentissage. Si les prédictions de l'ordinateur créaient une courbe de prix permettant un profit sans risque, la pénalité augmentait, forçant le système à ajuster sa logique interne jusqu'à ce que la courbe redevienne lisse et logique. Cette approche visait à voir si l'enseignement de ces règles financières à l'ordinateur le rendrait meilleur prédicteur.
Les chercheurs ont ensuite soumis leur création à un test rigoureux. D'abord, ils ont vérifié ses performances sur le même type de données de marché liquide sur lequel il avait été entraîné. Les résultats étaient prometteurs. L'ordinateur qui avait été enseigné à respecter les règles de non-arbitrage commettait moins d'erreurs qu'une version qui n'avait pas reçu cet enseignement. Il prédisait la volatilité du marché avec une plus grande précision et produisait moins de scénarios de prix impossibles. En fait, comparé à une formule standard non assistée par l'IA, l'ordinateur pénalisé était nettement plus précis. Cependant, l'histoire a radicalement changé lorsque les chercheurs ont tenté d'utiliser ce même ordinateur dans un environnement complètement différent. Ils ont simulé un « marché frontière », un cadre avec très peu de transactions, des taux d'intérêt élevés et des sauts de prix soudains et brusques, modélisé d'après les conditions de la Bourse du Nigéria.
Lorsque l'ordinateur, qui n'avait jamais vu ce type de marché, a été sollicité pour faire des prédictions, il a échoué spectaculairement. La version qui avait été intensément entraînée pour respecter les règles du marché liquide a été la moins performante de toutes, commettant des erreurs bien plus importantes que même une simple supposition de base. Les règles qui l'avaient aidé à réussir dans le marché dense étaient devenues un obstacle dans le marché calme et volatil. L'ordinateur avait appris la forme spécifique du marché liquide si bien qu'il ne pouvait pas s'adapter à la forme étrange et dentelée du marché frontière. Les chercheurs ont découvert que la seule façon de corriger cela était de montrer à l'ordinateur une petite quantité de nouvelles données provenant du marché frontière — seulement quatre-vingt-six exemples — et de le laisser ajuster légèrement son apprentissage. Une fois doté de cette infime portion de nouvelles informations, les performances de l'ordinateur se sont considérablement améliorées, comblant l'écart avec les modèles plus traditionnels.
L'étude a également comparé ces modèles d'intelligence artificielle à une approche mathématique classique connue sous le nom de modèle de Heston, qui utilise un ensemble de cinq nombres ajustables pour décrire le comportement du marché. Étonnamment, le modèle classique est resté l'outil le plus précis dans presque tous les scénarios. Parce que le modèle classique est simple, il peut être rapidement recalibré chaque jour en utilisant seulement une poignée de nouvelles cotations de marché, ce qui lui permet de s'adapter instantanément aux conditions changeantes. L'intelligence artificielle, en revanche, nécessite d'être réentraînée ou affinée avec de nouvelles données pour suivre le rythme. Les chercheurs ont conclu que, bien que l'ajout de règles pour empêcher l'argent gratuit rende un modèle d'IA meilleur au sein de l'environnement dans lequel il a été entraîné, cela ne fait pas de lui un expert universel. Un système conçu pour un océan calme et liquide ne peut pas simplement être déposé dans une mer peu profonde et agitée et être attendu de naviguer sans avoir d'abord appris les courants locaux.
En fin de compte, ce travail suggère que pour les marchés financiers des nations en développement ou pour les nouveaux produits peu échangés, compter uniquement sur une intelligence artificielle pré-entraînée est risqué. L'ordinateur doit être enseigné les règles spécifiques du nouvel environnement, même si cela signifie lui montrer un petit nombre d'exemples. Tant que ces données ne sont pas disponibles, les modèles mathématiques plus anciens et plus simples, qui peuvent être rapidement ajustés aux conditions quotidiennes du marché, restent le choix le plus sûr et le plus fiable. L'étude met en lumière une leçon cruciale pour l'avenir de la finance : l'intelligence dans un contexte ne garantit pas la sagesse dans un autre, et l'outil le plus puissant est souvent celui qui peut apprendre et s'adapter le plus rapidement.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.