Finance-Informed Neural Network: Learning the Geometry of Option Pricing

Deze paper introduceert Finance-Informed Neural Networks (FINN), een zelftoezichtend machine learning-model dat optieprijzing en -hedgeert op basis van dynamische replicatie en economische consistentie, waardoor het nauwkeurige resultaten levert in complexe marktomstandigheden en zelfs voor activa zonder bestaande optiemarkten.

De kern

De Financiële "Leerkracht": Hoe een AI Optionprijzen Lijkt te "voelen" in plaats van ze te raden

Stel je voor dat je een nieuwe sport wilt leren, bijvoorbeeld tennis. Er zijn twee manieren om dit te doen:

1. De oude manier (De theorieboeken): Je leest alle regels, bestudeert de fysica van de bal en probeert de perfecte slag te berekenen met formules. Het probleem? In het echte leven waait de wind, is de grond nat en gedraagt de bal zich soms raar. De formules kloppen dan niet meer.
2. De moderne AI-methode (De "Black Box"): Je kijkt naar duizenden video's van professionals en laat een computer de patronen leren. De computer wordt heel goed in het voorspellen van waar de bal landt, maar je weet niet waarom. Soms maakt hij fouten die in de echte wereld onmogelijk zijn (bijvoorbeeld een bal voorspellen die door de grond zakt).

Dit papier introduceert een derde, slimme manier: De FINN (Finance-Informed Neural Network).

Wat is FINN eigenlijk?

FINN is een kunstmatige intelligentie die niet leert door te kijken naar wat mensen in het verleden hebben betaald voor opties (zoals een ticket voor een concert). In plaats daarvan leert FINN door te spelen.

Het idee is als volgt:
Stel je voor dat je een casino hebt. Je wilt weten hoeveel een gokje waard is. In plaats van te kijken naar de prijzen van vorige gokkers, laat je de AI een gokspel spelen.

• De AI koopt een optie (een gok).
• Tegelijkertijd probeert de AI die gok te "verzekeren" (hedgen) door de onderliggende aandelen te kopen en verkopen.
• De regel: Als de AI het spel goed speelt, zou ze geen geld verliezen en geen geld winnen door toeval. Ze zou precies genoeg verdienen om de rente op haar spaarrekening te betalen.

Als de AI verliest, betekent dit dat haar berekening van de optie-prijs of haar verzekeringsstrategie (de "hedge") fout was. De AI krijgt dan een "straf" (een foutmelding) en past haar interne logica aan. Ze leert dus niet door te raden, maar door niet te verliezen.

Waarom is dit zo speciaal?

1. Het is als een zelflerende kok

Stel je een kok voor die een soep maakt.

• Traditionele methoden gebruiken een recept (een formule). Als de ingrediënten (de markt) veranderen, is het recept misschien niet meer goed.
• Gewone AI proeft de soep van anderen en probeert die na te maken. Smaakt het goed? Misschien. Maar als de smaak verandert, kan de AI in de war raken.
• FINN is een kok die de soep zelf proeft terwijl hij kookt. Hij zegt: "Als ik dit ingrediënt toevoeg, wordt de soep te zout. Ik moet iets anders doen." Hij leert de smaak van de soep (de economische logica) in plaats van alleen de receptuur te kopiëren.

2. Het voorkomt "magische" fouten

Gewone AI's kunnen soms dingen zeggen die onmogelijk zijn, zoals: "Deze optie is goedkoper dan de waarde die je er direct uit kunt halen." In de echte wereld zou iemand dit direct kopen en rijk worden (een "arbitrage").
FINN is zo ontworpen dat dit onmogelijk is. Omdat de AI leert door te spelen met geld (hedgen), kan ze geen fouten maken die de wetten van de economie schenden. Ze leert de "geometrie" van de markt: hoe prijzen zich verhouden tot elkaar, net zoals een goede tennisser de baan voelt.

3. Het werkt zelfs als er geen opties zijn

Dit is misschien wel het coolste deel. Stel je voor dat er een nieuw bedrijf is (een nieuw ETF) dat nog geen opties heeft. Je kunt geen prijzen vergelijken omdat er geen markt is.

• Oude methoden: "We kunnen dit niet berekenen, er is geen data."
• FINN: "Geen probleem. Ik kijk alleen naar de geschiedenis van het aandeel zelf. Ik simuleer hoe een verstandige handelaar zou reageren op prijsbewegingen. Ik kan dus een prijs en een risico-meting (de 'Greeks') bedenken, zelfs als er nog nooit een optie op dit aandeel is verhandeld."

Het is alsof je een nieuwe taal leert. Je hoeft niet te wachten tot er woordenboeken zijn; je leert de grammatica door te kijken naar hoe de zinnen (de prijsbewegingen) zich gedragen.

Wat betekent dit voor de echte wereld?

• Betrouwbaarheid: Banken en beleggers kunnen de AI meer vertrouwen, omdat ze niet "zwart doos" is. De AI volgt de regels van de economie.
• Stabiliteit: Als de markt in paniek raakt (zoals in 2008 of 2020), blijven de formules van oude methoden vaak steken. FINN past zich beter aan, omdat ze leert op basis van het risico en niet op basis van een statisch recept.
• Nieuwe markten: Het maakt het mogelijk om risico's te berekenen voor producten waarvoor nog geen markt bestaat, wat helpt bij het ontwerpen van nieuwe financiële producten.

Samenvattend

FINN is geen AI die probeert de toekomst te voorspellen door naar het verleden te staren. Het is een AI die leert hoe je een risico veilig beheert. Door te spelen met het concept van "niet verliezen" (replicatie), leert de machine de diepe, wiskundige schoonheid van de financiële markt. Het is alsof we een robot hebben gebouwd die niet alleen de regels van het spel kent, maar ook de gevoelens van de markt begrijpt.

Technische samenvatting

Hier is een gedetailleerde technische samenvatting van het artikel "Finance-Informed Neural Network: Learning the Geometry of Option Pricing" in het Nederlands.

Titel: Finance-Informed Neural Network (FINN): Het Leren van de Geometrie van Optieprijsvorming

1. Het Probleem

In de kwantitatieve financiën bestaat er een fundamenteel dilemma bij het modelleren van optieprijzen en hedging-strategieën:

• Traditionele modellen (zoals Black-Scholes of PDE-oplossers) zijn theoretisch onderbouwd en voldoen aan no-arbitrage principes, maar zijn vaak te restrictief (bijv. constante volatiliteit) en kunnen de complexe, niet-lineaire dynamiek van de markt niet adequaat vangen.
• Machine Learning (ML) modellen kunnen complexe patronen in markdata leren en bieden hoge voorspellende nauwkeurigheid, maar werken vaak als "black boxes". Ze worden getraind op statistische foutminimalisatie (bijv. het voorspellen van historische prijzen) en negeren vaak fundamentele economische principes. Dit kan leiden tot prijzen en sensitiviteiten (Greeks) die arbitrage-mogelijkheden creëren of economisch onzinnig zijn.

De uitdaging is een model te ontwikkelen dat zowel de flexibiliteit van ML als de theoretische consistentie van financiële theorie combineert.

2. Methodologie: De FINN Framework

De auteurs introduceren FINN (Finance-Informed Neural Network), een hybride framework dat financiële theorie direct in het leerproces van een neurale netwerk integreert.

• Zelftoezicht via Replicatie (Self-Supervised Replication):
  In plaats van het netwerk te trainen op gelabelde optieprijzen (supervised learning), wordt FINN getraind via een replicatie-objektief. Het netwerk leert een prijsfunctie $g_\theta$ die een dynamisch gehedgde portefeuille zo goed mogelijk repliceert.

  • Het doel is om de fout te minimaliseren tussen de groei van een zelf-financierende portefeuille (bestaande uit de optie, het onderliggende actief en eventueel een tweede hedging-instrument) en de risicovrije rentevoet.
  • De loss-functie straft afwijkingen van de no-arbitrage conditie af: een perfect gehedgde portefeuille moet de risicovrije rente opleveren.

• Theoretische Basis:

  • No-Arbitrage als Leringsignaal: De auteurs bewijzen theoretisch dat het minimaliseren van de replicatiefout in de continue-tijdlimiet equivalent is aan het oplossen van de standaard prijsbepalende partiële differentiaalvergelijking (PDE), zoals de Black-Scholes PDE.
  • Consistentie: Onder reguliere voorwaarden convergeert de geleerde functie en haar afgeleiden (Delta, Gamma) naar de unieke arbitrage-vrije oplossing.
  • Endogene Relaties: Fundamentele relaties, zoals de put-call parity, ontstaan vanzelf uit het leerproces zonder expliciete constraints.

• Architectuur en Training:

  • Het netwerk voert forward passes uit om prijzen te voorspellen en gebruikt automatische differentiatie om direct de Greeks (Delta, Gamma) te berekenen.
  • Voor Delta-Gamma hedging wordt een tweede liquid instrument gebruikt om zowel eerste- als tweede-orde risico's te neutraliseren.
  • Het framework is uitbreidbaar naar Amerikaanse opties door een variatie-ongelijkheid toe te voegen die de vroege uitoefening (early exercise) constraint respecteert.

3. Belangrijkste Bijdragen

1. Een nieuw leerparadigma: FINN verschuift de focus van het "voorspellen van prijzen" naar het "leren van een prijsbepalende operator" die gebaseerd is op replicatie en risicobeheer.
2. Zelftoezicht zonder gelabelde data: Het model vereist geen historische optieprijzen voor training; het kan direct worden getraind op historische koersen van het onderliggende actief.
3. Robuustheid in complexe omgevingen: Het framework presteert goed in omgevingen met stochastische volatiliteit (zoals het Heston-model) en bij afwezigheid van analytische oplossingen.
4. Toepasbaarheid op illiquide markten: FINN kan worden toegepast op activa zonder genoteerde opties (bijv. nieuwe ETF's of OTC-producten) om coherente optieprijzen en Greeks te genereren.

4. Resultaten en Experimenten

De auteurs evalueren FINN in diverse scenario's:

• Black-Scholes (GBM) Validatie: FINN herkent nauwkeurig de analytische Black-Scholes prijzen en Greeks, met zeer lage foutmarges (RMAD < 4% voor prijzen, < 3% voor Delta).
• Stochastische Volatiliteit (Heston): In het Heston-model, waar volatiliteit tijd-variabel is, behoudt FINN zijn nauwkeurigheid en stabiliteit, terwijl traditionele parametrische benaderingen vaak falen of complexe calibratie vereisen.
• Put-Call Parity: Zonder expliciete instructie leert FINN de put-call parity relatie ($C - P = S - Ke^{-r\tau}$) endogeen, wat bewijst dat het de onderliggende economische structuur heeft begrepen.
• Delta-Gamma Hedging: In hedging-experimenten met transactiekosten en volatiliteitsmisspecificatie (stress-tests tijdens crisisjaren zoals 2008 en 2020) presteert de door FINN gegenereerde Delta-strategie significant beter dan de traditionele Black-Scholes Delta. Het leidt tot lagere transactiekosten en een kleinere "tail risk" (verlieskans bij extreme marktbewegingen).
• Implied Volatility Surface: Bij het reconstrueren van de impliciete volatiliteitsoppervlakte uit marktdata, levert FINN een oppervlak op dat dichter bij de marktwaarde ligt dan een gehybridiseerde Heston-calibratie. Dit wijst op een superieure out-of-sample aanpassingsvermogen en minder structurele bias.
• Prijzen zonder Optiemarkt: In een casestudy met drie nieuwe instrumenten (TACO, GTEN, COPL) zonder genoteerde opties, slaagde FINN erin om economisch coherente prijs- en delta-oppervlakken te genereren uitsluitend op basis van de historische koersdata van het onderliggende actief.

5. Betekenis en Conclusie

FINN vertegenwoordigt een paradigmaverschuiving in de financiële modellering. Door no-arbitrage principes en dynamische hedging direct in de loss-functie te embedden, creëert het een model dat:

• Interpreteerbaar en controleerbaar is (geen black box).
• Robuust is tegenover modelrisico en marktschokken.
• Praktisch toepasbaar is in situaties waar traditionele methoden falen (geen liquiditeit, complexe dynamiek).

Het framework biedt een schaalbare oplossing voor prijsbepaling, hedging en risicomanagement, niet alleen voor gevestigde markten, maar ook voor opkomende en illiquide financiële instrumenten. Het bewijst dat machine learning en financiële theorie niet in conflict hoeven te zijn, maar juist kunnen worden gecombineerd voor betrouwbaardere en economisch zinvolle AI-systemen.