이 연구는 미국 콜옵션 가격 예측을 위한 모듈형 신경망 모델(MNN)의 효과를 조사했다. 전통적인 Barone-Adesi Whaley (B-AW) 및 이항옵션가격(BOP) 모델과 단순 피드포워드 신경망(FNN) 모델과 비교했을 때, MNN 모델이 AAPL, NVDA, QQQ 주식에 대해 더 낮은 RMSE와 nRMSE 값을 보였다.
MNN 모델은 옵션 가격에 영향을 미치는 다양한 요인들을 독립적인 모듈로 나누어 처리함으로써 복잡한 비선형 관계를 효과적으로 포착할 수 있었다. 이에 비해 전통적 모델들은 변동성 일정 등의 가정에 제한되어 실제 시장 역학을 반영하지 못했다. FNN 모델 또한 MNN의 모듈화된 접근법에 미치지 못했다.
결과적으로 MNN 모델은 미국 콜옵션 가격 예측에 있어 기존 모델들보다 우수한 성능을 보였다. 이는 모듈화를 통해 옵션 가격 결정 요인들의 복잡한 상호작용을 효과적으로 포착할 수 있음을 시사한다.
다른 언어로
소스 콘텐츠 기반
arxiv.org
더 깊은 질문