Применение машинного обучения для калибровки моделей волатильности

Волатильность – один из основных компонентов для измерения риска. Существует множество методов оценки волатильности. Тем не менее, традиционные методы оценки моделей волатильности часто сталкиваются с различными сложностями. Например, они часто основаны на нереалистичных предпосылках и требуют много вычислительных ресурсов. Применение глубокого обучения для оценки волатильности направлено на совершенствование традиционных методов. В частности, нейронные сети аппроксимируют поверхность волатильности путем изучения зависимостей в обратной формуле Блэка-Шоулза. Наша работа посвящена калибровке моделей волатильности с помощью методов машинного обучения. Мы дополняем работу прошлых исследований и предлагаем новый подход к калибровке моделей. В частности, мы разделяем данные на группы на основе денежности опционов и обучаем несколько нейронных сетей отдельно в каждом получившемся кластере. Результаты свидетельствуют о том, что предложенный подход приводит к незначительному улучшению способности модели к обучаемости сложным нелинейным зависимостям и генерализации на новые данные. Тем не менее, в модели присутствует небольшое переобучение, что следует учитывать в будущих исследованиях.