Deep Learning sul portfolio di derivati esotici
Siamo al secondo appuntamento, all’interno del nostro blog, con i tesisti, studenti del Corso di Laurea Magistrale in Quantitative Finance dell’Università di Bologna.
Tutte le tesi che vi presenteremo riguardano il Deep Learning applicato ai mercati finanziari, e ne illustrano aspetti molto interessanti. Esse sono state condotte utilizzando un’infrastruttura di calcolo ad alte prestazioni fornita da E4.
La tesi che ospitiamo in questo articolo si intitola “Deep Learning on Exotic Derivatives Portfolio” ed è stata scritta da Behnam Lari, Marco Bianchetti e Pietro Rossi.
Negli ultimi decenni, l’industria finanziaria ha costantemente cercato di sfruttare la potenza di calcolo dell’hardware moderno. Inoltre, si è assistito alla rapida crescita di strumenti come l’intelligenza artificiale (AI) e il machine learning (ML), da agenzie di supervisione (SupTech). Questi progressi in potenza computazionale hanno sbloccato l’applicazione di algoritmi che non erano raggiungibili in passato. Questo studio ha l’obiettivo di applicare l’apprendimento automatico al fine di valutare, contemporaneamente, i multipli payoff di un portfolio, che include otto diversi derivati esotici, in particolare la performance di panieri di quattro titoli, e le rispettive vega hedge, composte da 16 opzioni plain vanilla sui singoli titoli corrispondenti. Vi presentiamo una nuova combinazione del metodo Quasi-Monte Carlo (QMC) con il framework Deep Neural Network (DNN), dove un enorme set di dati con 226 esempi di training su 120 payoff (incluse tutte le possibili combinazioni di quattro titoli) è generato con alta precisione, equivalente a 1M di scenari Monte Carlo (MC).
Per approfondire, scarica il PDF.
Archiviato in: Artificial Intelligence, Collaborazioni, Ultime news
