Geri Dön

Physics-informed neural network-based option pricing

Fizik temelli sinir ağı tabanlı opsiyon fiyatlaması

PDF İndir

  1. Tez No: 995291
  2. Yazar: SERHAT ALTINDAĞ
  3. Danışmanlar: DOÇ. DR. EMRE SEFER
  4. Tez Türü: Yüksek Lisans
  5. Konular: Maliye, Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Finance, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2025
  8. Dil: İngilizce
  9. Üniversite: Özyeğin Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Veri Bilimi Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Option fiyatlama, finans alanında önemli bir problemdir. En yaygın kullanılan fiyatlama yöntemleri Black–Scholes, CEV, Heston ve SABR modelleri olup, bu modellerin tamamı Kısmi Diferansiyel Denklemler ile ifade edilebilmektedir. Diğer yandan, bir derin öğrenme tekniği olarak Fizik-Temelli Sinir Ağları (Physics-Informed Neural Networks, PINNs), Kısmi Diferansiyel Denklemlere yaklaşık çözümler üretme konusunda büyük bir potansiyel sergilemektedir. Bu çalışmada, söz konusu dört fiyatlama modeli altında PINN tabanlı opsiyon fiyatlama yöntemleri geliştirilmiştir. Yöntemimiz hem simülasyon verileri hem de gerçek piyasa verileri üzerinde değerlendirilmiş; analitik ve sayısal referans modellerle karşılaştırmalı bir performans analizi gerçekleştirilmiştir. RUT ve SPX gibi endeks opsiyonları ile endeks bileşeni şirket opsiyonlarına ilişkin ampirik sonuçlarımız, önerilen derin öğrenme modellerinin mutlak hata bakımından klasik Black–Scholes modeline kıyasla daha başarılı olduğunu göstermektedir. Önerdiğimiz yöntem ayrıca, opsiyon fiyatlama görevi için yakın dönemde sunulan PINNsFormer modelinden de daha iyi performans sergilemektedir. Hem Avrupa tipi hem de Amerikan tipi opsiyonlar üzerinde elde ettiğimiz bulgular, PINN yöntemlerinin opsiyon fiyatlama probleminin çözümündeki potansiyel önemine işaret etmekte olup, bu yaklaşım diğer finansal varlık fiyatlama problemlerine de genişletilebilir. Yöntemlerimiz, kodlarımız ve veri setlerimiz şu adreste sunulmaktadır: https://github.com/seferlab/PINN_for_Options

Özet (Çeviri)

Option pricing is an important problem in finance. The most common option pricing methodologies are Black-Scholes, CEV, Heston, and SABR, where all of them can be described by Partial Differential Equations. On the other hand, as a deep learning technique, Physics-Informed Neural Networks~(PINNs) have shown great potential in providing approximate solutions to Partial Differential Equations~(PDEs). In this study, we come up with Physics-Informed Neural Network-based option pricing methods under these 4 pricing models. We evaluate our method using both simulated and actual market data, and assess its performance against analytical and numerical reference models. The empirical results for index options such as RUT and SPX, as well as index constituent companies options, show that the proposed deep learning models have lower absolute errors than the classical Black–Scholes model solution. Our proposed solution also performs better than the recently proposed PINNsFormer for the option pricing task. Our results on both European and American options show the potential importance of Physics-Informed Neural Networks in solving option pricing, which can also be extended to other financial asset pricing problems. Our methods, analysis code, and datasets are available at: https://github.com/seferlab/PINN_for_Options

Benzer Tezler

  1. Tez No

    759550

    Solving Navier Stokes equations with physics informed neural network for calculation of aerodynamic forces

    Aerodinamik kuvvetleri hesaplamak için Navier-Stokes denklemlerinin fizik bilgili nöral ağ ile çözümü

    SILA AKPINAR

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Mekatronik MühendisliğiSabancı Üniversitesi

    Mekatronik Mühendisliği Ana Bilim Dalı

    PROF. DR. SERHAT YEŞİLYURT

  2. Tez No

    980985

    Physics informed machine learning based optimization for chemical engineering applications

    Kimya mühendisliği uygulamaları için fizik bilgisiyle zenginleştirilmiş makine öğrenmesine dayalı optimizasyon

    ECE SERENAT KÖKSAL

    Doktora

    İngilizce

    İngilizce

    2025

    Kimya MühendisliğiKoç Üniversitesi

    Kimya ve Biyoloji Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ERDAL AYDIN

  3. Tez No

    816345

    Physics-informed machine learning-based modeling and control of dynamic process systems

    Dinamik sistemlerin fizik bilgili makine öğrenimi tabanlı modellemesi ve kontrolü

    TUSE ASRAV

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Kimya MühendisliğiKoç Üniversitesi

    Kimya ve Biyoloji Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ERDAL AYDIN

  4. Tez No

    847297

    A convolutional neural network methodology with a momentum-flux-based loss function for predicting aerodynamic flow around airfoils

    Uçak kanatları etrafında aerodinamik akış tahmini için momentum-akı-bazlı kayıp fonksiyonlu convolutıonal sinir ağı metodolojisi

    MUSTAFA MERT DENİZ

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Makine MühendisliğiOrta Doğu Teknik Üniversitesi

    Makine Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ÖZGÜR UĞRAŞ BARAN

    DOÇ. DR. HANDE ALEMDAR

  5. Tez No

    763588

    Deep learning based speed up of fluid dynamics solvers

    Akışkanlar dinamiği çözücülerinin derin öğrenmeye dayalı hızlandırılması

    DENİZ ALPER ACAR

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Havacılık ve Uzay MühendisliğiOrta Doğu Teknik Üniversitesi

    Havacılık ve Uzay Mühendisliği Ana Bilim Dalı

    PROF. DR. OĞUZ UZOL

Geri Dön