本研究系统比较了神经网络、随机森林和CatBoost与传统期权定价模型(Black-Scholes和Heston模型)在合成及真实市场数据上的表现。结果显示,机器学习模型尤其是神经网络和CatBoost,能够有效捕捉复杂、非线性关系,在多种定价误差指标上显著优于传统定价方法,表现出更强的适应性和实用性。此外,机器学习模型在实际市场数据中兼具高精度和低延迟预测优势,显示出应用潜力。
| 模型 | 阶段1线性失真MSE | 阶段1R² | 阶段2非线性失真MSE | 阶段2R² |
|---|---|---|---|---|
| Black-Scholes | 0.009495 | 0.999919 | 0.017328 | 0.99985 |
| Heston Model | 0.022722 | 0.999830 | 0.017328 | 0.99987 |
| MLP | 0.002891 | 0.999975 | 0.00387 | 0.999967 |
| Random Forest | 0.072055 | 0.999391 | 0.072367 | 0.999389 |
| CatBoost | 0.002623 | 0.999977 | 0.002705 | 0.999977 |
| 模型 | 训练时间(秒) | 预测时间(秒) |
|---|---|---|
| Black-Scholes | N/A | 0.0112 |
| Heston Model | N/A | 0.4641 |
| MLP | 11.34 | 0.0060 |
| Random Forest | 3.72 | 0.0154 |
| CatBoost | 25.59 | 0.0048 |
报告标题:Can Machine Learning Algorithms Outperform Traditional Models for Option Pricing?
作者:Georgy Milyushkov
发布机构:法国理工学院(École Polytechnique)
日期:未知(文中无具体发布日期,但引用近至2023年)
研究主题:期权定价领域,比较机器学习算法(神经网络、多随机森林、CatBoost)与传统模型(Black-Scholes与Heston模型)的表现。
核心论点:本报告探讨机器学习(ML)技术在期权定价中的应用价值,检验其是否能超越经典定价公式(Black-Scholes和Heston)。通过模拟数据和真实市场数据的多阶段测试,机器学习模型显示了较强的非线性捕捉能力,部分场景下甚至优于传统模型,证明数据驱动方法在提升期权价格预测准确性及更好反映市场动态方面具备潜力。
报告首先回顾了期权定价极为重要的市场职能,以及经典Black-Scholes模型的基本假设(如恒定波动率、无摩擦市场等)及其局限性。指出市场实际存在波动率微笑、波动率簇集等现象,Black-Scholes无法准确呈现。随后引入Heston模型,作为含随机波动率的改良模型,尽管更复杂仍受限于参数化假设。
作者强调机器学习不同于基于严格函数形式的传统模型,其基于数据学习非线性关系,适合捕捉结构性断裂与市场非理想状况,这项研究针对ML的神经网络(MLP)、随机森林、CatBoost三种技术,旨在评估它们对期权价格的拟合能力,并将其与Black-Scholes及Heston模型对比。,1]
文献回顾涵盖了经典模型的发展脉络及局限,引用了Black-Scholes、Heston以及跳跃扩散模型等。提到了机器学习在期权定价的崛起,早期(如Hutchinson 1994)的神经网络尝试,及近期在高维度及复杂模型中的应用,例如带自注意力机制的GRU和用于美式期权的SHAP价值解释。作者指出,前人研究多聚焦单一模型或特定情境,缺乏广泛多模型、多市场情境下的系统比较,为本研究搭建了理论基础与实践动机。,1]
Black-Scholes模型假定标的资产价格服从几何布朗运动,派生了PDE,其欧式期权价格可由闭式解计算。报告详细给出公式与参数含义,指出恒定波动率和连续交易假设限制模型实用性。
Heston模型引入随机波动率,通过耦合的SDE考虑资产价格与波动率的动态相关性。详细解释模型参数(均值回复速率κ、长期方差θ、波动率波动σ、相关系数ρ等)。模型无传统意义下闭式解,但可通过半解析方法计算欧式期权价格。报告采用QuantLib中的AnalyticHestonEngine执行定价,保持模型参数固定以确保仿真一致性。,2]
数据分为三类:基于模型的模拟数据(阶段1和2)与真实市场数据(阶段3)。
模型选择包括前馈多层感知器(MLP)、随机森林(Random Forest)和CatBoost回归器。具体特点:
报告根据三阶段实验结果展开深入评述。
总结以上,机器学习模型不仅在精度上显著优于传统模型,同时具备实际环境下的计算效率优势,适合大规模实时定价与风险管理场景。,6,7]
表I(线性扰动,Black-Scholes):显示Black-Scholes MSE接近0.0095,MLP调优后降至0.00289,CatBoost更低至0.00262,R2均接近1,证明ML稳健高效拟合简单扰动定价面。随机森林表现相对较弱(MSE 0.072,R2 0.99939)。
表II(线性扰动,Heston):Heston模型MSE约0.0227,随机森林紧随其后0.023,MLP与CatBoost稍差。ML未能超越Heston,但表现很接近,展示ML对复杂随机波动率模型的适应力。
表III(非线性扰动,Black-Scholes):CatBoost的MSE为0.0027显著低于Black-Scholes的0.0173,MLP也表现良好(MSE 0.0039),表明ML对非随机非线性结构能有效学习。
表IV(非线性扰动,Heston):MLP表现极佳(MSE 0.00094),CatBoost和随机森林次之,传统Heston依旧在0.0173水平,强调ML对非线性扰动的强大捕获力。
表V(真实市场数据):CatBoost以1.77 MSE领先,MLP和随机森林表现出色,而传统模型Black-Scholes误差巨大但解释度尚可,Heston大幅改进表现,图示了ML在真实市场的巨大优势。
表VI(计算时间):展示了不同模型训练与预测时间,虽ML训练时间较长,预测时间却大幅领先传统方法,特别是CatBoost预测时间最短,确认ML的实用性。
图1细分真实市场数据的误差特征:
按行权价分组:价内期权区域(低行权价)Black-Scholes误差极高,ML模型保持较低误差,说明ML对复杂非线性支付结构的适应性远超传统模型。
按时间到期(寿命)分组:总体误差呈现轻微波动,ML模型误差整体较低,表明其对不同期限期权具有较强泛化能力。
按隐含波动率分组:误差随波动率升高波动显著,其中Black-Scholes误差增长最快,Heston好转,ML尤其是CatBoost和MLP展示出较强的鲁棒性,反映其能捕捉多层次波动率动态。
报告核心侧重于期权价格预测与拟合性能比较,未采用传统财务估值模型诸如DCF或多阶段分红贴现法进行估值,而是聚焦机器学习模型对期权定价函数的逼近能力。
因此,估值部分主要解读为对不同模型输出价格的准确度和误差衡量,采用MSE、MAE、R2为标准评价指标,侧重于预测优劣,而非内涵估值的绝对价值。这里的“估值”其实是以期权定价作为基本判准的机器学习“预测定价”能力体现。
报告中未专门分节讨论风险因素,但隐含风险体现在以下几个方面:
作者通过在模拟扰动和真实数据多阶段测试,部分缓解了模型适应性风险,但实际部署仍需留意上述问题。
报告客观地展示了ML模型的优势,但也隐约显示出ML表现优越的部分原因可能是由于训练与测试数据来自同一分布(模拟数据情形),在实际市场中模型需要持续再训练以保持性能。
Heston模型参数固定,未做针对实际市场数据拟合,这限制了其真实性能的发挥,可能使ML模型优势被放大。
报告中未见对模型解释性(interpretability)的讨论,而这是金融风险管理中不可忽视的因素,传统模型由于明确模型结构易解释,ML模型“黑箱”特征存在局限。
随机森林虽然在模拟场景表现一般,但加入金融衍生特征后表现大幅提升,若结合专家知识进行特征工程,ML表现或更佳,这一潜力未被完全挖掘。
报告采用了多个误差指标验证模型性能,增加了稳健性,但未提供交叉验证的详细分析,或测试模型在极端市场波动下稳定性。
综上,报告基础扎实、数据详实,但在模型解释、稳健性、动态适应等方面尚有提升空间。
本报告系统比较了三类机器学习模型(神经网络MLP、随机森林、CatBoost)与经典的Black-Scholes及Heston期权定价模型,在模拟和真实市场数据上的表现。核心发现包括:
结合模拟数据生成策略、系统误差指标和细分市场表现,报告明确支持机器学习为期权定价领域提供了不仅可行,更具潜力超越经典模型的创新途径。
传统模型因其解释性和理论根基仍不可或缺,而机器学习则为价格预测与风险管理注入了灵活性、多维度交互捕捉及现实适应力,为未来衍生品定价研究和实务推广开启新方向。
本报告通过理论解析、仿真实证与实盘验证,深刻揭示了机器学习技术改写传统期权定价格局的可能性。详尽的数据方法设计、多指标评估以及全面的误差剖析,提供了一份兼具科学性与实用性的权威分析,为金融工程师、风险管理者及量化研究人员提供了参考价值极高的分析框架和应用指引。
2510.01446.pdf