基于人工智能隐含波动率敏感度研究50295.pdfVIP

第16卷第3期 中国管理科学 。 V01．16，No．3 1111堡：：!星 呈坠呈!彗!!竺!呈!!呈!丝!呈!曼!堡!坠塞!!些! 。』坚呈!；： !!!! 文章编号：1003—207{2008)03--0125--06 基于人工智能的隐含波动率的敏感度的研究 张鸿彦 (东南大学系统工程研究所，江苏南京 210096) 摘要：隐含波动率是指在市场中观察的期权价格所蕴涵的波动率．不同种类的期权价格对波动率的敏感度不 同，本文建立了小波神经网络和遗传算法相结合的模型，将期权按钱性进行分类，提出了加权的隐含波动率作为神 经网络的输入变量，通过遗传算法来求取不同种类期权的隐含波动率的最优权重．在香港衍生品市场的实证中表 明，本文所提出的模型要优于传统的Black-Scholes模型和其它在本文中提到的神经网络模型． 关键词：期权定价，人工智能；Black-Scholes模型，钱性#隐含波动率 中图分类号：F830．9文献标识码：A 为S，X，rf；输出变量为C．作者认为S已经包含 1 引言 了过去资产价格的波动信息，因此不需要加人新的 期权的定价模型分为参数化模型和非参数化模 输人变量。但是考虑到隐含波动率表明了市场参与 型。其中Black--Scholes模型(以下简称B—S模者对未来金融市场波动的一种预期．而这一点仅仅 型)是欧式期权定价模型中最广为人知的参数化模 通过标的资产价格S无法得到反映，另外相同到期 型。但是研究表明实际市场往往并不符合B—S模 日不同行使价格的期权的隐含波动率不同，不同种 型所需要的假设条件，例如市场真实标的股价价格 类的期权价格对波动率的敏感程度也不同，Hull 的运动是分形而不是几何布朗运动[1]．Akgiray (1989)[2]认为B—S模型所要求的波动率为恒定的 和深度虚值期权，作者认为两平期权的价格对波动 假设在实际的金融市场上并不成立。为了避免参数 率的敏感程度要比深度虚值期权价格对波动率的敏 化模型的不足，神经网络模型在期权定价模型中得 感程度要大的多。因此提出了一种加权的隐含波动 到了广泛的关注和研究[3-n]．国内的学者利用神 率，其中两平期权的隐含波动率的权重为经验值 经网络模型对于金融产品也进行了大量的研究，例 如，何建敏(2002)[12]根据多重分形过程的局部特性 和多尺度相关性建立了小波和神经网络相结合的股 (1981)I]认为期权对应波动率的敏感性应由期权 票价格预测模型，朱林(2002)[13]建立了粗集和神经 价格对波动率求偏导数来衡量。但是正如Fischer 网络相结合的混合杂交模型对上证综指进行了实证 研究．Huchison(1994)[3]最早将神经网络模型引 事实不符的假设上面，因此基于昏S模型的期权的 入到欧式期权的定价模型中，作者使用了RBF和 隐含波动率敏感度研究也是可疑的。神经网络具有 BP神经网络，输入变量为S(标的资产价格)／X(行 非线性逼近和学习能力，并行信息处理和鲁棒性、容 使价格)，r￡(到期日)；输出变量为C(期权价格)／ 错能力。遗传算法(GA)是建立在自然选择和自然 X；作者得出了神经网络模型要优于陆S模型。Yao 遗传学机理上的迭代自适应概率性