بررسی اثربخشی قیمت‌گذاری اوراق اختیار معامله با استفاده از مدل‌های یادگیری ماشین در مقایسه با مدل بلک شولز

یکی از مشکلات اساسی که سرمایه‌گذاران در بازارهای سرمایه با آن روبه‌رو هستند، بحث مدیریت ریسک است. اوراق اختیار معامله از کاربردی‌ترین ابزار مالی در راستای مدیریت ریسک محسوب می‌شوند. ازاین‌رو، شیوه قیمت‌گذاری این اوراق اهمیت ویژه‌ای دارد. بااین‌حال، روابط پیچیده و غیرخطی میان عوامل موثر بر قیمت اختیار معامله، مدل‌سازی این روابط را با چالش‌هایی همراه کرده و منجر به استفاده از مفروضات محدودکننده و غیرواقعی در ساخت مدل‌ها شده است. یکی از راهکارهایی که برای حل این مسئله مطرح گردیده، استفاده از الگوریتم‌های یادگیری ماشین است. الگوریتم‌های یادگیری ماشین محدودیتی در یافتن روابط غیرخطی پیچیده میان متغیرها نداشته و می‌توانند بدون درنظرگرفتن مفروضات غیرواقعی، دست به ساخت مدل‌های موردنیاز بزنند. در همین راستا هدف این پژوهش بررسی عملکرد الگوریتم‌های یادگیری ماشین در پیش‌بینی قیمت اوراق اختیار معامله در مقایسه با مدل بلک شولز است. در این پژوهش از 144 اوراق اختیار معامله‌ای که از فروردین 1397 تا اردیبهشت 1403 در بورس اوراق بهادار تهران معامله‌شده‌اند، استفاده شده و به قیمت‌گذاری این اوراق با استفاده از الگوریتم‌های یادگیری ماشین و مدل بلک شولز پرداخته‌شده است. برای بررسی عملکرد این مدل‌ها به مقایسه برآورد هریک از مدل‌ها باقیمت بازار این اوراق پرداخته‌شده است. این مقایسه با استفاده از معیارهای آماری میانگین خطا مطلق و جذر میانگین مربعات خطا انجام‌شده است. همچنین، پژوهش حاضر عملکرد الگوریتم‌های یادگیری ماشین و مدل بلک شولز را با در نظر گرفتن دوره قرارداد و ارزندگی اوراق نیز بررسی کرده است. نتایج نشان می‌دهد که الگوریتم‌های یادگیری ماشین در پیش‌بینی قیمت اوراق اختیار معامله نسبت به مدل بلک‌شولز عملکرد بهتری داشته‌اند. همچنین مقایسه عملکردمدل‌ها در پیش‌بینی قیمت متناسب با دوره قرارداد و ارزندگی اوراق نیز برتری الگوریتم‌های یادگیری ماشین را تائید می‌کند. در این میان، الگوریتم تقویت گرادیان سریع نسبت به سایر مدل‌ها بهترین عملکرد را داشته است.

investigating the effectiveness of option pricing using machine learning models compared to the black-scholes model

one of the fundamental challenges investors face in capital markets is risk management. options are considered one of the most practical financial instruments for risk management. therefore, the pricing methods for these instruments hold particular significance. however, the complex and nonlinear relationships among the factors affecting option pricing have made modeling these relationships challenging, often leading to the use of restrictive and unrealistic assumptions in constructing models. one proposed solution to this issue is the application of machine learning algorithms. these algorithms have no limitations in identifying complex nonlinear relationships between variables and can build the required models without relying on unrealistic assumptions. in this context, the aim of this research is to evaluate the performance of machine learning algorithms in predicting option prices compared to the black-scholes model. this study utilized data from 144 options traded on the tehran stock exchange between april 2018 and may 2024. the options were priced using both machine learning algorithms and the black-scholes model. to assess the performance of these models, their predictions were compared with the market prices of the options using statistical metrics such as mean absolute error (mae) and root mean square error (rmse). additionally, this research examined the performance of machine learning algorithms and the black-scholes model by considering the contract duration and the intrinsic value of the options. the results indicate that machine learning algorithms outperformed the black-scholes model in predicting option prices. furthermore, the comparison of the models’ performance in predicting prices based on contract duration and intrinsic value also confirmed the superiority of machine learning algorithms. among the models, the gradient boosting algorithm demonstrated the best performance compared to other methods.