由于市場固有的嘈雜和非線性特征,對市場行為準確預測成為了一項具有挑戰(zhàn)性的任務。使用預測值,可以對資產(chǎn)進行定價,并且可以做出戰(zhàn)略決策以獲得短期或長期的收益�，F(xiàn)在市場上已經(jīng)有了各種統(tǒng)計預測器,并且可以得到不同的結果。本文首先回顧了包含Black-Scholes模型在內(nèi)的幾種期權定價方法,以及幾類機器學習算法的基本原理;之后將常見的四種機器學習算法:支持向量機模型;聚類及支持向量機混合模型;輸入預測及支持向量機混合模型;強化學習方法,應用于期權定價的數(shù)值計算中,并與Black-Scholes期權定價公式得到的理論價格進行比較。本文主要參考了Deoda,A.[11]和Martin,K.[18]的論述,并進一步深入理解,之后利用實際數(shù)據(jù)對文中提出的方法加以驗證。通過不同方法的結果比較發(fā)現(xiàn),采用聚類和SVR方法的混合模型優(yōu)于單純的SVM模型。與其他機器學習方法相比,使用預測輸入?yún)?shù)的方法的性能較差。有趣的是,大多數(shù)模型的性能都隨著我們從ITM期權系列轉(zhuǎn)向OTM期權系列而提高。這可以歸結為指數(shù)在長期價格水平上總是趨于上升的事實。不過現(xiàn)有的程序非常耗時,因為必須為要定價的每個期權都生成模擬。此外,交易... 

【文章來源】：中國科學技術大學安徽省 211工程院校 985工程院校

【文章頁數(shù)】：53 頁

【學位級別】：碩士

【部分圖文】：

圖４．１股票價格路徑??

圖４．２狀態(tài)變量路徑??

?２５??時間??圖４．４組合價值??４．２．４對每個路徑計算回報函數(shù)??一旦最佳對沖ａｆ和組合價值Ｊ７，都計算成功，回報函數(shù)均（Ｘ，，?ａｔ，Ａ：，＋１）可??以計算出來：??Ｒｉ?＝?一?又＾［Ｕｆ?丨￥］?ｔ?＝?０，…，Ｔ＊?一?１??３４??

【參考文獻】：
期刊論文
[1]有限混合泊松分布參數(shù)優(yōu)化的改進EM算法[J]. 馮杭,王勝兵.  兵工自動化. 2017(01)
[2]拉普拉斯混合分布語音模型研究[J]. 侯玉寶,王景芳.  計算機工程與應用. 2014(18)
[3]RBF神經(jīng)網(wǎng)絡在斷路器故障診斷中的應用[J]. 郭鳳儀,馬文龍,李斌.  傳感器與微系統(tǒng). 2010(09)
[4]EM無監(jiān)督漢語分詞算法[J]. 李紅霞,易麗萍.  電腦知識與技術. 2009(12)
[5]基于新型神經(jīng)網(wǎng)絡的電網(wǎng)故障診斷方法[J]. 畢天姝,倪以信,吳復立,楊奇遜.  中國電機工程學報. 2002(02)

碩士論文
[1]人工神經(jīng)網(wǎng)絡隱層神經(jīng)元數(shù)的確定[D]. 王立威.重慶大學 2012
[2]EM算法及其加速[D]. 余振華.江西師范大學 2004



本文編號：3473271