2021 Fiscal Year Annual Research Report
Artifical Neural Network for Option Pricing
| Project/Area Number |
20K22138
|
|---|
| Research Institution | Kanagawa University |
|---|
Principal Investigator |
舟橋 秀治 神奈川大学, 経済学部, 准教授 (40884383)
|
|---|
| Project Period (FY) |
2020-09-11 – 2022-03-31
|
| Keywords | 人工神経回路網 / デリバティブ / モンテカルロ法 / 漸近展開 / 機械学習 / 確率ボラティリティモデル |
|---|
| Outline of Annual Research Achievements |
金融実務におけるデリバティブの価格付けには，（１）モンテカルロ法や有限差分法に代表される数値計算法や（２）特異摂動法や漸近展開などの近似手法が広く用いられている．しかし，前者は膨大な計算時間を要し，後者は満期が長く，ボラティリティが大きい商品では近似精度が著しく劣化するという難点がある．
本研究の第一の貢献は，原資産価格が確率ボラティリティモデルに従う場合におけるヨーロピアン・オプションやバリア・オプションの価格付けに対して，人工神経回路網(ANN)の技術を導入することで，高速かつ高い精度で派生証券価格を計算することが可能となった点である．本手法を用いれば，従来は数値計算法に頼るしかなかった商品でも，近似解と同程度の計算速度で，安定的にデリバティブの価格を計算することが可能となった．また，本手法を金融実務上重要なSABRモデルへと応用し，数値例を通してその有用性を証明した．
次に，本手法は，これまで研究されてきた一般的なANNの手法とは異なり，ANNに派生証券価格を直接学習させることを避け，派生証券価格とその近似解との差をANNに学ばせることで，従来の手法と比べて，学習データ数を100～1000分の１に抑えながら，ハイパーパラメータ（隠れ層やノードの数）を従来の半分以下に設定しても，派生証券価格を安定的に推定することが可能となった．これが，本手法の第二の貢献である．
金融機関で扱われる派生証券は取引額や取引量が大きく，僅かな推定誤差でも巨額の損失が生じる可能性があることから，機械学習を精度良く高速に実行する必要があり，本手法の金融実務に対する貢献は大きい．
以上の結果を2本の国際学術誌(査読つき)と1本の国内誌に発表した．
|
