基于神经网络的期权定价方法、系统、设备及存储介质技术方案

本申请实施例提供了基于神经网络的期权定价方法、系统、设备及存储介质，属于期权定价领域。所述方法包括：获取与期权相关且用于期权定价的目标数据；对所述目标数据进行预处理，得到用于进行神经网络模型输入的目标输入数据；将所述目标输入数据输入到预先训练好的期权定价模型中，得到目标期权价格预测值；其中，所述期权定价模型是神经网络模型，所述期权定价模型是通过对应类型期权下的样本期权价格期望值和样本期权价格预测值训练得到的，所述样本期权价格期望值是根据样本数据进行期望值计算得到的，所述样本期权价格预测值是将样本数据输入到所述期权定价模型后得到的。本申请能够在处理多维期权定价问题的同时，提高期权定价效率。高期权定价效率。高期权定价效率。

【技术实现步骤摘要】
基于神经网络的期权定价方法、系统、设备及存储介质


[0001]本申请涉及期权定价领域，尤其涉及基于神经网络的期权定价方法、系统、设备及存储介质。

技术介绍

[0002]期权定价是金融市场中的一项重要活动，其中，期权定价是根据影响期权价格的因素，通过适当的数学模型，去分析模拟期权价格的市场变动情况，最后获得合理的理论价格。
[0003]相关技术中，常利用随机微分方程模型、树模型、PDE方法、蒙特卡洛方法得到期权价格的解析解，然而，随机微分方程模型往往分析不了更为复杂的金融衍生品，树模型和PDE方法都存在维度灾难，只能处理低维问题，而蒙特卡洛方法作为期权定价中适用范围最广的方法，通过模拟多条路径，用平均值估计真实期望，然而，由于需要模拟上万条路径，计算效率低。

技术实现思路

[0004]本申请实施例的主要目的在于提出一种基于神经网络的期权定价方法、系统、设备及存储介质，能够在处理多维期权定价问题的同时，提高期权定价效率。
[0005]为实现上述目的，本申请实施例的第一方面提出了一种基于神经网络的期权定价方法，所述方法包括：获取与期权相关且用于期权定价的目标数据；对所述目标数据进行预处理，得到用于进行神经网络模型输入的目标输入数据；将所述目标输入数据输入到预先训练好的期权定价模型中，得到目标期权价格预测值；其中，所述期权定价模型是神经网络模型，所述期权定价模型是通过对应类型期权下的样本期权价格期望值和样本期权价格预测值训练得到的，所述样本期权价格期望值是根据样本数据进行期望值计算得到的，所述样本期权价格预测值是将样本数据输入到所述期权定价模型后得到的。
[0006]在一些实施例中，所述期权定价模型通过以下步骤训练得到，包括：获取样本数据集，从所述样本数据集中获取训练样本集；对所述训练样本集进行预处理，得到用于进行神经网络模型输入的训练样本输入数据；对所述训练样本输入数据进行期望值计算，得到训练样本期权价格期望值；将所述训练样本输入数据输入到所述期权定价模型中，通过所述期权定价模型对所述训练样本输入数据进行期权价格预测，得到训练样本期权价格预测值；根据所述训练样本期权价格预测值和所述训练样本期权价格期望值，计算所述期权定价模型的期权损失值，并根据所述期权损失值调整所述期权定价模型的参数，得到训练后的所述期权定价模型。
[0007]在一些实施例中，所述方法还包括；获取样本数据集，从所述样本数据集中获取测试样本集；对所述测试样本集进行预处理，得到用于进行神经网络模型输入的测试样本输入数据；对所述测试样本输入数据进行期望值计算，得到测试样本期望值；将所述测试样本输入数据输入到所述期权定价模型中，通过所述期权定价模型对所述测试样本输入数据进
行期权价格预测，得到测试样本期权价格预测值；根据所述测试样本期权价格预测值和所述测试样本期望值，计算期权均方误差，并根据所述期权均方误差得到所述期权定价模型性能的评估结果。
[0008]在一些实施例中，所述训练样本集中包括训练样本时间集和标的资产价格界限集；所述对所述训练样本集进行预处理，得到用于进行神经网络模型输入的训练样本输入数据，包括:从预设的标准正态分布中生成第一正态变量，根据所述第一正态变量、从所述训练样本时间集中选取的第一当前时间和从所述标的资产价格界限集中选取的第一价格，进行解微分处理，得到第一标的资产价格，并将所述第一当前时间、所述第一价格和所述第一标的资产价格作为欧式期权下的训练样本输入数据；或者，从所述预设的标准正态分布中生成第二正态变量，根据所述第二正态变量、从所述训练样本时间集中选取的第二当前时间和从所述标的资产价格界限集中选取的第二价格，进行解微分处理，得到第二标的资产价格，从预设的均匀分布中生成第一均匀变量，将所述第一均匀变量作为第一候选值，根据所述第二价格得到第二候选值，从所述第一候选值和所述第二候选值中选取最大值，得到第二标的资产历史最高价格，并将所述第二当前时间、所述第二价格、所述第二标的资产价格和所述第二标的资产历史最高价格作为回望期权下的训练样本输入数据；或者，从所述预设的标准正态分布中生成第三正态变量和第四正态变量，根据所述第三正态变量、所述第四正态变量、从所述训练样本时间集中选取的第三当前时间、从所述标的资产价格界限集中选取的第三价格和从所述标的资产价格界限集中选取的第四价格，进行解微分处理，得到第三标的资产价格和第四标的资产价格，并将所述第三当前时间、所述第三价格、所述第四价格、所述第三标的资产价格和所述第四标的资产价格作为差价期权下的训练样本输入数据。
[0009]在一些实施例中，所述对所述训练样本输入数据进行期望值计算，得到训练样本期权价格期望值，包括:获取第一执行价格、第一无风险利率和第一到期时间，根据所述第一标的资产价格和所述第一执行价格的差值，得到第三候选值，从所述第三候选值和0中选取最大值作为欧式看涨期权的回报值，根据所述第一无风险利率、所述第一到期时间、所述第一当前时间、所述第一价格、所述欧式看涨期权的回报值进行欧式期权期望计算，得到欧式期权下的训练样本期权价格期望值；或者，获取第二无风险利率和第二到期时间，根据所述第二标的资产价格和所述第二标的资产历史最高价格的差值，得到回望浮动看跌期权的回报值，根据所述第二无风险利率、所述第二到期时间、所述第二当前时间、所述第二价格、所述回望浮动看跌期权的回报值进行回望期权期望计算，得到回望期权下的训练样本期权价格期望值；或者，获取第三无风险利率和第三到期时间，根据所述第三标的资产价格和所述第四标的资产价格的差值，得到第四候选值，从所述第四候选值和0中选取最大值作为差价期权的回报值，根据所述第三无风险利率、所述第三到期时间、所述第三当前时间、所述第三价格、所述第四价格和所述差价期权的回报值进行差价期权期望计算，得到差价期权下的训练样本期权价格期望值。
[0010]在一些实施例中，所述得到目标期权价格预测值，包括：在所述期权定价模型的前向传播过程中，通过网络的各个层中对所述目标输入数据进行线性处理，并根据线性处理过程中各个层节点的权重、偏置和个数，得到目标数据线性处理值；在各个层中对所述目标数据线性处理值进行激活处理，得到各个层输出的目标数据激活值；根据各个层对应的所
述训练样本线性处理值和所述训练样本激活值，得到所述目标输入数据对应的目标期权价格预测值。
[0011]在一些实施例中，所述期权定价模型的参数包括各个层节点的权重和偏置；所述根据所述期权损失值调整所述期权定价模型的参数，包括：在所述期权定价模型的反向传播过程中，根据所述期权损失值和各个层节点更新前的权重确定权重梯度下降方向，根据所述期权损失值和各个层节点更新前的偏置确定偏置梯度下降方向；根据所述更新前的权重、预设的学习速率和所述权重梯度下降方向，计算得到各个层节点更新后的权重；根据所述更新前的偏置、预设的学习速率和所述偏置梯度下降方向，计算得到各个层节点更新后的偏置。
[0012]为实现上述目的，本申请实施例的第二方面提出了基于神经网络的期权定价系统，所述系统包括：所述本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于神经网络的期权定价方法，其特征在于，所述方法包括：获取与期权相关且用于期权定价的目标数据；对所述目标数据进行预处理，得到用于进行神经网络模型输入的目标输入数据；将所述目标输入数据输入到预先训练好的期权定价模型中，得到目标期权价格预测值；其中，所述期权定价模型是神经网络模型，所述期权定价模型是通过对应类型期权下的样本期权价格期望值和样本期权价格预测值训练得到的，所述样本期权价格期望值是根据样本数据进行期望值计算得到的，所述样本期权价格预测值是将样本数据输入到所述期权定价模型后得到的。2.根据权利要求1所述的基于神经网络的期权定价方法，其特征在于，所述期权定价模型通过以下步骤训练得到，包括：获取样本数据集，从所述样本数据集中获取训练样本集；对所述训练样本集进行预处理，得到用于进行神经网络模型输入的训练样本输入数据；对所述训练样本输入数据进行期望值计算，得到训练样本期权价格期望值；将所述训练样本输入数据输入到所述期权定价模型中，通过所述期权定价模型对所述训练样本输入数据进行期权价格预测，得到训练样本期权价格预测值；根据所述训练样本期权价格预测值和所述训练样本期权价格期望值，计算所述期权定价模型的期权损失值，并根据所述期权损失值调整所述期权定价模型的参数，得到训练后的所述期权定价模型。3.根据权利要求2所述的基于神经网络的期权定价方法，其特征在于，所述方法还包括；获取样本数据集，从所述样本数据集中获取测试样本集；对所述测试样本集进行预处理，得到用于进行神经网络模型输入的测试样本输入数据；对所述测试样本输入数据进行期望值计算，得到测试样本期望值；将所述测试样本输入数据输入到所述期权定价模型中，通过所述期权定价模型对所述测试样本输入数据进行期权价格预测，得到测试样本期权价格预测值；根据所述测试样本期权价格预测值和所述测试样本期望值，计算期权均方误差，并根据所述期权均方误差得到所述期权定价模型性能的评估结果。4.根据权利要求2所述的基于神经网络的期权定价方法，其特征在于，所述训练样本集中包括训练样本时间集和标的资产价格界限集；所述对所述训练样本集进行预处理，得到用于进行神经网络模型输入的训练样本输入数据，包括:从预设的标准正态分布中生成第一正态变量，根据所述第一正态变量、从所述训练样本时间集中选取的第一当前时间和从所述标的资产价格界限集中选取的第一价格，进行解微分处理，得到第一标的资产价格，并将所述第一当前时间、所述第一价格和所述第一标的资产价格作为欧式期权下的训练样本输入数据；或者，从所述预设的标准正态分布中生成第二正态变量，根据所述第二正态变量、从所
述训练样本时间集中选取的第二当前时间和从所述标的资产价格界限集中选取的第二价格，进行解微分处理，得到第二标的资产价格，从预设的均匀分布中生成第一均匀变量，将所述第一均匀变量作为第一候选值，根据所述第二价格得到第二候选值，从所述第一候选值和所述第二候选值中选取最大值，得到第二标的资产历史最高价格，并将所述第二当前时间、所述第二价格、所述第二标的资产价格和所述第二标的资产历史最高价格作为回望期权下的训练样本输入数据；或者，从所述预设的标准正态分布中生成第三正态变量和第四正态变量，根据所述第三正态变量、所述第四正态变量、从所述训练样本时间集中选取的第三当前时间、从所述标的资产价格界限集中选取的第三价格和从所述标的资产价格界限集中选取的第四价格，进行解微分处理，得到第三标的资产价格和第四标的资产价格，并将所述第三当前时间、所述第三价格、所述第四价格、所述第三标的资产价格和所述第四标的资产价格作为差...

【专利技术属性】
技术研发人员：张莲民，张功球，许天阳，王树，邓建辉，彭洋洋，罗敏，
申请(专利权)人：深圳市大数据研究院，
类型：发明
国别省市：