생성 데이터를 활용한 딥러닝 기반의 옵션 가격결정 프레임워크
A New Deep Learning-Based Option Pricing Framework with Distilled Data from Black-Scholes Model and Traditional Numerical Methods
- 주제(키워드) Option Pricing , Missing Data Imputation , Deep Learning , Transfer Learning , Hybrid model
- 발행기관 아주대학교
- 지도교수 장지원
- 발행년도 2020
- 학위수여년월 2020. 2
- 학위명 석사
- 학과 및 전공 일반대학원 금융공학과
- 실제URI http://www.dcollection.net/handler/ajou/000000029474
- 본문언어 한국어
- 저작권 아주대학교 논문은 저작권에 의해 보호받습니다.
초록/요약
논문 요약 딥러닝이 금융을 비롯한 많은 분야에서 뛰어난 성능을 보이고 있다. 뛰어난 성능 때문에, 옵션 가격결정 분야에서도 딥러닝을 적용하여 연구되고 있다. 딥러닝은 데이터기반의 방법이기 때문에 많은 양의 데이터가 필요하다. 하지만 옵션 데이터는 다른 데이터에 비해 비싸고, 접근성이 좋지 않다. 그래서 본 연구에서는 작은 데이터를 사용하면서도 과적합 문제를 방지하며 딥러닝을 적용할 수 있는 새로운 옵션 가격 프레임워크를 제안한다. 제안 방법은 Black-Scholes 모델, 전통적인 수치적 옵션 가격결정 방법과 Deep Neural Network를 결합한 방법이다. 구체적으로, 본 연구에서는 Black-Scholes 모델, 이항 모델, 유한차분법, 몬테카를로 방법을 이용하여 데이터를 생성하고, 이 데이터를 신경망 학습에 사용한다. 생성된 데이터로 학습된 모델의 가중치는 메인 모델로 전이되어 실제 옵션데이터를 통해 다시 학습된다. 우리는 실험적으로 S&P 500 European 옵션데이터를 이용하여 제안 방법의 우수성을 3가지 실험을 통해 증명했다. 첫 번째로, 데이터 생성에 사용하는 방법의 다양한 조합을 통해 최적의 효율적인 조합을 찾았다. 두 번째로 생성 데이터의 효율성을 알기 위해 생성 데이터와 실제 데이터를 사용한 모델과 실제 데이터만 사용한 모델을 비교했다. 세 번째로, 제안 모델과 기존의 옵션 가격결정 방법인 MC, FDM, BI와 비교하여 제안 모델의 우수성을 증명했다. 본 연구의 기여점은 3가지로 요약된다. 먼저, 생성 데이터를 통하여 과적합 문제를 해결하고, 성능을 높였다. 두 번째로, 생성 데이터의 효율성에 대해 증명했다. 마지막으로 DNN을 이용하여 결측 값을 대체했다.
more목차
차례
논문요약 ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ⅰ
차례 ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ⅱ
그림 차례 ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ⅳ
표 차례 ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙∙ ∙ ∙ ∙ ∙ ∙ ⅴ
1. 서론 1
2. 이론적 배경 6
2.1 Black-Scholes 모델 (BS) ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ 6
2.2 이항 모델 (Binomial Tree method, BI) ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ 7
2.3 유한차분법 (Finite Difference method, FDM) ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ 9
2.4 몬테카를로 방법 (Monte Carlo method, MC) ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ 11
2.5 Deep Neural Network (DNN) ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ 12
3. 제안방법 15
3.1 Data augmentation 제안 기술: 모수적 방법을 통한 데이터 생성 ∙ 16
3.2 실제 시장 옵션 데이터 설명 및 데이터 전처리 ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ 17
3.3 결측 값 대체 (Missing Data Imputation): 내재변동성 ∙ ∙ ∙ ∙ ∙ ∙ ∙ 19
3.4 제안 방법∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ 21
3.5 성능 측정∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ 23
4. 실험 결과 및 비교 25
4.1 그룹화 결과 ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ 25
4.2 생성 데이터의 효과 비교 ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ 28
4.3 기존 모수적 옵션 가격결정 방법과 제안 방법 비교 ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ ∙ 29
5. 결론 31
참고문헌 33
Abstract 37
