Pricing Options based on Volatility Forecasting using A Hybrid Generalized AutoRegressive Conditional Heteroscedasticity Model and Long Short-Term Memory with COVID-۱۹
سال انتشار: 1402
نوع سند: مقاله ژورنالی
زبان: انگلیسی
مشاهده: 83
فایل این مقاله در 15 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_IJIEPR-34-2_013
تاریخ نمایه سازی: 24 مرداد 1402
چکیده مقاله:
This paper proposes a data-driven method, using Artificial Neural Networks, to price financial options and compute volatilities, which speeds up the corresponding numerical methods. Prospects of the Stock Market are priced by the Black Scholes model, with the difference that the volatility is considered stochastic. So, we propose an innovative hybrid method to forecast the volatility and returns in Stock Market indices, which declare a model with a generalized autoregressive conditional heteroscedasticity framework. In addition, this research analyzes the impact of COVID-۱۹ on the option, return, and volatility of the stock market indices. It also incorporates the long short-term memory network with a traditional artificial neural network and COVID-۱۹ to generate better volatility and option pricing forecasts. We appraise the models' performance using the root second-order quadratic function means of the out-of-sample returns powers. The results illustrate that the autoregressive conditional heteroscedasticity forecasts can serve as informative features to significantly increase the predictive power of the neural network model. Integrating the long short-term memory and COVID-۱۹ is an effective approach to construct proper neural network structures to boost prediction performance. Finally, we interpret the sensitivity of option prices concerning the market or model parameters, which are essential in practice.
کلیدواژه ها:
نویسندگان
Hojjat Pourfereidouni
Department of Industrial Engineering, Faculty of Engineering, Yazd University, Yazd, Iran
Hasan Hosseini-Nasab
Department of Industrial Engineering, Faculty of Engineering, Yazd University, Yazd, Iran
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :