Siamo molto felici di ospitare, all’interno del nostro blog, il lavoro di alcuni tesisti, studenti del Corso di Laurea Magistrale in Quantitative Finance dell’Università di Bologna.

Le tesi che vi presenteremo riguardano il Deep Learning applicato ai mercati finanziari, e ne illustrano aspetti molto interessanti. Tutte le tesi sono state condotte utilizzando un’infrastruttura di calcolo ad alte prestazioni fornita da E4.

La prima tesi che ospitiamo si intitola Deep Learning Equity Derivatives ed è stata scritta da Alessio Peroni e Giovanni Amici.

Deep Learning Equity Derivatives è una tesi di ricerca che consiste nel valutare l’applicazione del Deep Learning (una branca del Machine Learning) alla valutazione dei derivati ​​finanziari con il modello a volatilità stocastica di Heston. Il progetto è focalizzato sui derivati delle azioni ​​(cioè che prendono le azioni come strumenti finanziari sottostanti), ma il metodo può agilmente essere generalizzato ed utilizzato per derivati su FX o tassi di interesse.

L’idea di utilizzare il Deep Learning in ambito pricing nasce dal fatto che la valutazione dei derivati ​​può richiedere un’enorme quantità di tempo di calcolo, soprattutto se si tratta di derivati “esotici” e se questi vengono valutati con elevata precisione. Un derivato esotico è uno strumento finanziario con una struttura piuttosto complessa. Solitamente implica che non esiste una formula matematica in forma chiusa per risolverlo, ma che sia necessario applicare alcuni metodi numerici come, ad esempio, una simulazione Monte Carlo. Per ottenere un’elevata precisione dei prezzi, è necessario applicare una simulazione Monte Carlo con un numero enorme di traiettorie del sottostante. Ciò significa che il tempo speso sarà alto, troppo alto per essere accettato nella valutazione dei derivati, poiché i mercati finanziari si muovono continuamente e perfino pochissimi secondi possono modificare le decisioni da prendere quando si compiono operazioni di trading.

Per quanto concerne la metodologia utilizzata sottolineiamo i due aspetti più innovativi. Innanzitutto, per addestrare le reti neurali, sono stati utilizzati dati di mercato sintetici. Infatti, per costruire un dataset di dimensioni congrue all’addestramento di una rete, l’intera storia dei mercati finanziari non sarebbe bastata. Un altro punto fondamentale è quello della calibrazione dei parametri del modello utilizzato per le dinamiche dei sottostanti (Heston). L’idea innovativa è stata di utilizzare come input della rete neurale superfici di volatilità, che sono parametri facilmente osservabili sul mercato. In questo modo, per prezzare un’opzione, è sufficiente avere una superficie di volatilità e i parametri specifici del contratto che vogliamo prezzare, ovvero maturità e strike.

Per approfondire, scarica il PDF.

Oppure contatta gli autori Alessio Peroni e Giovanni Amici.