Deep Learning for Option Pricing and Implied Volatility Surfaces: A No-Arbitrage Neural Network Approach with a Frontier-Market Transferability Test

In de wereld van de financiële sector zijn opties contracten die iemand het recht geven om een activum te kopen of verkopen tegen een specifieke prijs op een bepaalde datum. Om deze contracten eerlijk te prijzen, vertrouwen handelaren op een concept genaamd "impliciete volatiliteit", wat in essentie een maatstaf is voor hoe de markt verwacht dat de prijs van een activum in de toekomst zal schommelen. Als je de prijs van een aandeel voor je ziet als een boot op de oceaan, dan is de impliciete volatiliteit de weersverwachting voor hoe ruig de golven zullen zijn. Decennialang hebben wiskundigen vaste formules gebruikt om deze golven te voorspellen, maar echte markten zijn rommelig en veranderen voortdurend. In de afgelopen jaren hebben wetenschappers geprobeerd kunstmatige intelligentie te gebruiken, specifiek deep learning, om deze patronen rechtstreeks uit data te leren, in de hoop een systeem te bouwen dat flexibeler en nauwkeuriger is dan de oude formules. Er bleef echter een grote zorg bestaan: als een computer prijzen te goed leert voorspellen, zou het per ongeluk een prijsstructuur kunnen uitvinden die de mogelijkheid tot "gratis geld" creëert, een situatie die bekend staat als arbitrage, wat niet kan bestaan in een stabiele markt. Bovendien blijft het onduidelijk of een computer die getraind is op de drukke, liquide markten van ontwikkelde landen, ook zinvol kan zijn in de dunne, stille markten die worden gevonden in opkomende economieën.

Een team van onderzoekers aan de Universiteit van Ibadan in Nigeria zette zich met deze ideeën bezig door een nieuw soort neuraal netwerk te bous, een type computerprogramma ontworid om patronen te herkennen. Hun doel was om een systeem te creëren dat niet alleen accuraat optieprijzen kon voorspellen, maar ook strikt de regels naleefde die gratis geld voorkomen. Ze trainden dit systeem op een enorme hoeveelheid gesimuleerde data die een gezonde, liquide markt vertegenwoordigt, vergelijkbaar met die in de Verenigde Staten of Europa. Om ervoor te zorgen dat de computer geen beperkingen overtrad, voegden ze een speciale straf toe aan het leerproces van de computer. Als de voorspellingen van de computer een prijscurve creëerden die een risicovrije winst mogelijk maakte, zou de straf toenemen, waardoor het systeem werd gedwongen zijn interne logica aan te passen totdat de curve weer vloeiend en logisch werd. Deze aanpak was bedoeld om te zien of het aanleren van deze financiële regels aan de computer het een betere voorspeller zou maken.

De onderzoekers onderwierpen hun creatie vervolgens aan een strenge test. Eerst controleerden ze hoe goed het presteerde op dezelfde soort liquide marktdata waarop het was getraind. De resultaten waren veelbelovend. De computer die was geleerd om de no-arbitrage regels te respecteren, maakte minder fouten dan een versie die deze regels niet had geleerd. Het voorspelde de volatiliteit van de markt met grotere precisie en produceerde minder onmogelijke prijsscenario's. Sterker nog, vergeleken met een standaard, niet-AI formule, was de bestrafte computer aanzienlijk nauwkeuriger. De verhalen veranderden echter drastisch toen de onderzoekers probeerden deze zelfde computer te gebruiken in een totaal andere omgeving. Ze simuleerden een "frontier market", een setting met zeer weinig transacties, hoge rentestanden en plotselinge, scherpe prijsschommelingen, gemodelleerd naar de omstandigheden van de Nigeriaanse beurs.

Toen de computer, die nog nooit een dergelijke markt had gezien, werd gevraagd om voorspellingen te doen, faalde het spectaculair. De versie die zwaar was getraind om de regels van de liquide markt te respecteren, presteerde het slechtst van allemaal, met fouten die veel groter waren dan zelfs een eenvoudige, basis gok. De regels die hielpen om te slagen in de drukke markt, vormden in de stille, volatiele markt juist een hindernis. De computer had de specifieke vorm van de liquide markt zo goed geleerd dat hij zich niet kon aanpassen aan de vreemde, grillige vorm van de frontier market. De onderzoekers ontdekten dat de enige manier om dit te herstellen het tonen van een kleine hoeveelheid nieuwe data uit de frontier market was—slechts tweeentachtig zes voorbeelden—en het laten bijstellen van het leerproces. Zodra de computer deze kleine hoeveelheid nieuwe informatie kreeg, verbeterde de prestatie drastisch, waardoor het de kloof met de meer traditionele modellen overbrugde.

De studie vergeleek deze kunstmatige intelligentiemodellen ook met een klassieke wiskundige benadering die bekend staat als het Heston-model, dat een set van vijf aanpasbare getallen gebruikt om marktgedrag te beschrijven. Verrassend genoeg bleef het klassieke model het meest nauwkeurige instrument in bijna elk scenario. Omdat het klassieke model eenvoudig is, kon het snel elke dag opnieuw worden herkalibreerd met slechts een handvol nieuwe marktquotes, waardoor het zich direct kon aanpassen aan veranderende omstandigheden. De kunstmatige intelligentie moest daarentegen worden hertraind of verfijnd met nieuwe data om bij te blijven. De onderzoekers concludeerden dat hoewel het toevoegen van regels om gratis geld te voorkomen een AI-model beter maakt binnen de omgeving waarin het getraind is, het de computer geen universele expert maakt. Een systeem dat ontworpen is voor een kalme, liquide oceaan, kan niet simpelweg in een stormachtige, ondiepe zee worden gedropt en de verwachting krijgen dat het zonder eerst de lokale stromingen te leren navigeren, ook daar doorheen komt.

Uiteindelijk suggereert het werk dat het uitsluitend vertrouwen op een vooraf getrainde kunstmatige intelligentie riskant is voor financiële markten in ontwikkelingslanden of voor nieuwe, dun verhandelde producten. De computer moet de specifieke regels van de nieuwe omgeving worden aangeleerd, zelfs als dat betekent dat er slechts een klein aantal voorbeelden getoond hoeft te worden. Totdat dergelijke data beschikbaar is, blijven de oudere, eenvoudigere wiskundige modellen die snel kunnen worden aangepast aan de dagelijkse marktomstandigheden de veiligere en betrouwbaardere keuze. De studie benadrukt een cruciale les voor de toekomst van de financiële sector: intelligentie in één context garandeert geen wijsheid in een andere, en het krachtigste instrument is vaak degene die het snelst kan leren en zich het snelst kan aanpassen.