Недавние успехи в глубоком обучении, а также быстрые темпы инноваций в стеке DL (TensorFlow, кластеры GPU / CPU, выпуск TPU) ясно указывают путь, по которому сообщество финансового моделирования может пойти в ближайшие годы. Мир волатильности улыбок Блэка-Шоулза, настольных вычислений Matlab и моделей на основе электронных таблиц Excel может быть позади, поскольку более продвинутые методы становятся товаром.
Искусственные нейронные сети также имеют несколько испорченную репутацию в финансовом мире, поскольку многие попытки в 90-х и начале 2000-х годов попытаться использовать ИНС для финансового моделирования не принесли особых результатов. Сложная реализация, посредственные результаты по сравнению со стандартными методами (GARCH, например, см. Приложения вычислительного интеллекта для ценообразования опционов, прогнозирования волатильности и стоимости под риском, 2017) - все это отключило финансовое сообщество от ИНС. Сейчас ситуация меняется по мере того, как поступают все больше обнадеживающих результатов и историй успеха.
Подход вышеупомянутой книги заключается, например, в использовании ИНС для прогнозирования волатильности (т. Е. Она не пытается напрямую предсказать цену опциона). Затем значение волатильности включается в модель Блэка-Шоулза, чтобы получить окончательную цену опциона.
Естественное и главное преимущество DL, заключающееся в существенном улучшении возможностей прогнозирования за счет использования огромных объемов данных, относительно сложно использовать при оценке волатильности, поскольку более длинные окна исторических значений могут больше не нести ценную информацию. Тем не менее, мы думаем, что гораздо более быстрое проведение экспериментов и развертывание (определение, обучение, тестирование, вывод), достижимое с помощью современных инструментов DL, является лишь одним из преимуществ DL (наряду с естественной способностью моделировать ЛЮБУЮ функцию), которая ускорит Использование DL в моделировании волатильности и ценообразовании опционов.
