Data Driven Options Pricing using ANN: Evidence from the CRR Model

金融の世界において、「オプション」として知られる契約は、その所有者に対し、特定の期日までに特定の価格で資産を売買する権利を与えるものであり、ただし義務までは課さないものです。これらの金融商品はリスク管理や市場の動きへの賭けにおいて不可欠なものですが、その適正価格を決定することは極めて困難であることで知られています。価格は、資産の現在価格、合意された権利行使価格、残された時間、経済における金利、そして資産価格がどれほど激しく変動するかを示す指標である「ボラティリティ（変動率）」といった、変化し続ける複雑な要因に依存しています。数十年にわたり、これらの価値を算出するための標準的な手法は、資産の起こりうる将来の経路を数千通りシミュレーションする複雑な数学的モデルに依存してきました。これらの計算は正確ではあるものの、計算負荷が高く、単一の価格を得るためだけに強力なコンピュータで数字を処理し続けなければならないほど時間がかかります。市場が急速に動くとき、計算が終わるのを待つことはリスクとなり得ます。

インド工科大学ロパール校の研究チームは、この問題を解決するために、「人工ニューラルネットワーク」と呼ばれる種類のコンピュータプログラムを用いた、異なる道筋を模索しました。価格が必要になるたびにゼロから新しいシミュレーションを構築する代わりに、彼らは伝統的な低速モデルの結果の中に隠されたパターンを認識するように、デジタルな「脳」を訓練したのです。研究者たちは、資産がどのように動くかを予測するために時間を小さなステップに分解する「コックス・ロッソ・ルビンシュタイン・モデル」と呼ばれる確立された手法によって生成された、数百万ものオプション価格の例をネットワークに学習させました。ネットワークが入力因子と最終価格の関係を学習すると、それは電光石石のごとき代用モデルとなりました。この研究は、訓練されたネットワークが、さまざまな種類のオプションの価値を、はるかに低速な伝統的手法とほぼ同等の精度で、ほぼ瞬時に予測できることを示しています。

研究者たちは、このアプローチをいくつかの異なる種類の金融契約に対してテストしました。まず、満期の最後にのみ権利行使ができる標準的な「ヨーロピアン・オプション」と、いつでも権利行使ができる「アメリカン・オプション」から始めました。さらに、最終的な支払額が期末の価格ではなく一定期間の平均価格に依存する「アジアン・オプション」や、資産価格が特定の閾値を越えた場合にのみ成立または支払いが発生する「バリア・オプション」といった、より複雑な金融商品にも取り組みました。標準的なオプションおよびアジアン・オプションにおいて、ニューラルネットワークは驚異的な精度を発揮しました。ネットワークは価格を予測するだけでなく、市場の変化に対して価格がどのように反応するかを示す感度測定値である「グリークス」も算出しました。これらのケースにおいて、ネットワークの回答は伝統的な手法とほぼ同一でありながら、それをわずかな時間で提供しました。

速度の差は歴然としています。2万件の異なるシナリオを用いたテストにおいて、伝統的な手法はヨーロピアン・オプションの価格算出に1分以上、アメリカン・プット・オプションには2分近くを要しました。しかし、ニューラルネットワークは同じタスクを約1.5秒で完了しました。伝統的な手法がメモリの問題で苦戦し、17分以上を要したより複雑なアジアン・オプションにおいても、ネットワークはわずか1秒余りで終了しました。この効率性は、一度訓練されれば、このようなシステムがリアルタイムの取引やリスク管理において非常に価値のあるものになり、トレーダーが重い計算を待つことなく、価格とリスクを即座に把握できることを示唆しています。

しかし、この研究は同時に、この技術の限界も明らかにしました。研究者がネットワークを「バリア・オプション」に適用したところ、結果は信頼性に欠けるものでした。これらのオプションには「崖っぷち」のような性質があり、資産価格が特定のバリアに触れると、契約価値が瞬時にゼロになることがあります。滑らかで連続的なパターンを学習することに長けたニューラルネットワークは、こうした鋭く突然の変化に苦戦しました。これらの契約における価格予測および感度測定の誤差は、他の契約と比較して顕著に高くなりました。この発見は極めて重要です。なぜなら、この手法は強力ではあるものの、あらゆる種類の金融商品に対する普遍的な解決策ではないことを示しているからです。ネットワークは基礎となる数学が滑らかな場合には最適に機能しますが、ゲームのルールに不連続で急激な変化が含まれる場合には、その力を発揮できません。

価格設定だけでなく、研究者たちはこのアプローチが、金融機関がリスクに対する市場の期待が価格や時間とともにどのように変化するかを理解するために使用する、複雑な三次元マップである「ボラティリティ・サーフェス」を描き出すこともできることを示しました。インドの主要企業からの実際の市場データを用いて、ニューラルネットワークが伝統的なモデルよりもはるかに速くこれらのサーフェスを再構築できることを実証しました。計算ごとに新たな可能性のツリーを構築する必要がある伝統的な手法は、データの処理に数十秒を要しましたが、ニューラルネットワークは同じ作業を0.1秒未満で完了しました。この能力は、将来的に金融機関が、市場の変化が起きた後に対応するのではなく、起きている最中にリスクモデルや価格戦略を更新するために、これらの訓練済みネットワークを利用できる可能性を示唆しています。

この研究は、古いモデルを完全に置き換えることを主張しているのではなく、むしろ、それらと並んで機能する極めて効率的なツールとして位置づけています。ニューラルネットワークは魔法の神託（オラクル）ではありません。それは伝統的なモデルの教えを暗記し、その答えを即座に唱えることができる「生徒」なのです。それは元のフレームワークの論理を受け継ぎつつ、計算上の負荷を取り除いています。大多数の一般的なオプションに関して、この研究は、データ駆動型のアプローチが信頼できるほど正確であることを裏付けており、以前は不可能であったスピードで現代金融の複雑さをナビゲートする方法を提供しています。唯一の留意点は、ニューラルネットワークの滑らかな学習が、現実の鋭いエッジ（端）に出会う場所である、バリア・オプションという険しい地形の存在です。