Pricing financial call options with a multilayer perceptron class of artificial neural network : case: S&P 500 index options in 2017-2019
Taillon, Sébastien (2019)
Pro gradu -tutkielma
2019
School of Business and Management, Kauppatieteet
Kaikki oikeudet pidätetään.
Julkaisun pysyvä osoite on
http://urn.fi/URN:NBN:fi-fe2019100230831
http://urn.fi/URN:NBN:fi-fe2019100230831
Tiivistelmä
The objective of this Master’s thesis is to examine if a Multilayer Perceptron class of artificial neural network can be applied to estimate European call option prices on the S&P 500 index in 2017 to 2019. The estimations are also done with the Black-Scholes Model to benchmark the Multilayer Perceptron’s results. Two Multilayer Perceptron’s are built with the same architecture but with different activation functions. Furthermore, the options are partitioned by moneyness and maturity to further study the Multilayer Perceptron’s and Black-Scholes Model’s discrepancies.
The final dataset constituted of 375 117 observations. The dataset was partitioned to training (70%) and test (30%) datasets. Rectified Linear Unit and Exponential Linear Unit activation functions were applied to the Multilayer Perceptron.
The results are in line with previous research and confirm that a Multilayer Perceptron class of artificial neural network can be applied on European call option prices on the S&P 500 index in 2017-2019. The results of this thesis suggest that a Multilayer Perceptron estimates European call option prices on the S&P 500 index in 2017-2019 better than the Black-Scholes Model. Further, the results confirm that the Multilayer Perceptron can estimate European call option prices on the S&P 500 index in 2017-2019 better than the Black-Scholes Model despite the option’s moneyness or maturity. Exponential Linear Unit as an activation function is found to estimate better than the Rectified Linear Unit activation function. Tämän pro-gradu tutkielman tarkoituksena on selvittää, voiko MLP-neuroverkko estimoida S&P 500 -indeksin eurooppalaisia osto-optioiden hintoja vuosina 2017-2019. Optioiden hinnat estimoidaan vertailun vuoksi myös Black-Scholes-mallilla. Myös kaksi MLP-neuroverkkoa rakennetaan samalla rakenteella, mutta eri aktivointifunktioilla vertailun vuoksi. MLP-neuroverkon ja Black-Scholes-mallin tuloksia tutkitaan myös optioiden arvon (moneyness) ja maturiteetin mukaan.
Lopullinen data sisälsi 375 117 havaintoa. Data jaettiin koulutus (70%) ja testi (30%) datoihin. Aktivointifunktioina käytettiin Rectified Linear Unittia ja Exponential Linear Unittia eri MLP-neuroverkoissa. MLP-neuroverkot koulutettiin käyttämällä stokastista gradienttioptimointialgoritmia.
Tutkielman tulokset ovat aikasempien tutkimusten kanssa linjassa ja vahvistavat, että MLP-neuroverkolla voi estimoida S&P 500 -indeksin eurooppalaisia osto-optioiden hintoja vuosina 2017-2019. Tulokset myös vahvistavat MLP-neuroverkon estimoivan S&P 500 -indeksin eurooppalaisia osto-optioiden hintoja vuosina 2017-2019 paremmin kuin Black-Scholes-malli. Tulokset vahvistavat, että MLP-neuroverkko estimoi Black-Scholes mallia paremmin S&P 500 -indeksin eurooppalaisia osto-optioiden hintoja vuosina 2017-2019 arvosta (moneyness) tai maturiteetistä huolimatta. Exponential Linear Unit aktivointifunktio soveltui estimoimaan S&P 500 -indeksin eurooppalaisia osto-optioiden hintoja vuosina 2017-2019 paremmin kuin Rectified Linear Unit aktivointifunktio.
The final dataset constituted of 375 117 observations. The dataset was partitioned to training (70%) and test (30%) datasets. Rectified Linear Unit and Exponential Linear Unit activation functions were applied to the Multilayer Perceptron.
The results are in line with previous research and confirm that a Multilayer Perceptron class of artificial neural network can be applied on European call option prices on the S&P 500 index in 2017-2019. The results of this thesis suggest that a Multilayer Perceptron estimates European call option prices on the S&P 500 index in 2017-2019 better than the Black-Scholes Model. Further, the results confirm that the Multilayer Perceptron can estimate European call option prices on the S&P 500 index in 2017-2019 better than the Black-Scholes Model despite the option’s moneyness or maturity. Exponential Linear Unit as an activation function is found to estimate better than the Rectified Linear Unit activation function.
Lopullinen data sisälsi 375 117 havaintoa. Data jaettiin koulutus (70%) ja testi (30%) datoihin. Aktivointifunktioina käytettiin Rectified Linear Unittia ja Exponential Linear Unittia eri MLP-neuroverkoissa. MLP-neuroverkot koulutettiin käyttämällä stokastista gradienttioptimointialgoritmia.
Tutkielman tulokset ovat aikasempien tutkimusten kanssa linjassa ja vahvistavat, että MLP-neuroverkolla voi estimoida S&P 500 -indeksin eurooppalaisia osto-optioiden hintoja vuosina 2017-2019. Tulokset myös vahvistavat MLP-neuroverkon estimoivan S&P 500 -indeksin eurooppalaisia osto-optioiden hintoja vuosina 2017-2019 paremmin kuin Black-Scholes-malli. Tulokset vahvistavat, että MLP-neuroverkko estimoi Black-Scholes mallia paremmin S&P 500 -indeksin eurooppalaisia osto-optioiden hintoja vuosina 2017-2019 arvosta (moneyness) tai maturiteetistä huolimatta. Exponential Linear Unit aktivointifunktio soveltui estimoimaan S&P 500 -indeksin eurooppalaisia osto-optioiden hintoja vuosina 2017-2019 paremmin kuin Rectified Linear Unit aktivointifunktio.