Pricing and hedging options with neural networks : a case of FTSE 100 index options

Abstract

The technological revolution and the rapidly increasing amount of data have spurred researchers to adapt data-based deep-learning models to academic finance for the purpose of leveraging inefficiencies in traditional analytical models. The objective of this research is to study whether Multilayer Perceptron Artificial Neural Networks (ANN) can be used to price and delta hedge FTSE 100 index call options. The acquired findings are compared to the Black & Scholes option pricing model, which estimates the theoretical price of an option based on underlying asset price and volatility, risk-free interest rate, strike price and time to maturity.

The research data contains roughly 3000 unique FTSE 100 call option quotes from 2019 to 2021, containing 271 689 datapoints after filtering. Two distinct MLP architectures were implemented: one with Black & Scholes input variables and the other with the inclusion of the GARCH volatility input parameter. Both of the tested ANN models outperformed Black & Scholes in terms of pricing performance, even when the data was partitioned based on options time-to-maturity and moneyness rate. The artificial neural network model with an additional GARCH volatility parameter added no new explanatory power to pricing. Hedging results also indicated promising results as Artificial Neural Networks were found superior compared to Black & Scholes model supporting the findings of previous research.

Teknologinen vallankumous ja datan määrän lisääntyminen maailmassa on saanut tutkijat kiinnostumaan datalähtöisten koneoppimismallien adaptoimisesta akateemisen rahoituksen piiriin, hyödyntääkseen perinteisten rahoitusmallien epätehokkuuksia. Tutkimuksen tarkoituksena on testata, voiko eteenpäin kytkettyä monikerroksista perseptroniverkkoa käyttää FTSE 100 osto-optioiden hinnoitteluun ja suojaamistarkoitukseen. Tuloksia vertaillaan Black & Scholes option hinnoittelumalliin, joka antaa optioille teoreettisen hinnan perustuen kohde-etuuden hintaan, strike tasoon, riskittömään korkotasoon, volatiliteetti-ennusteeseen sekä jäljellä olevaan maturiteettiin.

Tutkimuksen data koostuu yli 3000:sta optiosta aikavälillä 2019-2021. Lopullinen aineisto rajausten jälkeen koostuu 271 689 itsenäisestä havainnosta. Tutkimuksessa rakennettiin yhteensä kaksi erilaista monikerroksista perseptroniverkkoa: yksi koostuen Black & Scholesin perusmuuttujista sekä toinen, jossa on lisäksi GARCHperusteinen volatiliteettiparametri. Molemmat neuroverkkosovitukset menestyivät Black & Scholes mallia paremmin optioiden hinnoittelussa myös silloin, kun aineisto jaettiin option maturiteetin ja preemion mukaan. Neuroverkkosovitus, jossa oli mukana ylimääräinen GARCH volatiliteettiparametri, ei tuonut lisää suorituskykyä optioiden hinnoitteluun. Suojaamisen testaus indikoi ylivoimaista suorituskykyä neuroverkkosovitukselle verrattaen Black & Scholes malliin varmistaen aikaisemman kirjallisuuden tutkimustulokset.