Deep learning, pricing et calibration du modèle de Heston - DUMAS - Dépôt Universitaire de Mémoires Après Soutenance Accéder directement au contenu
Mémoires Année : 2022

Deep learning, pricing et calibration du modèle de Heston

Résumé

En finance, la calibration d’un modèle financier joue un rôle important pour la gestion des risques et pour les produits dérivés, et nécessite d’être effectuée rapidement et avec précision. Un algorithme d’optimisation utilisé avec un réseau de neurones artificiels (RNA) permet de réaliser cet objectif. Pour ce faire, j’ai d’abord choisi une méthode classique de pricing pour générer des données d’apprentissage, puis entraîné un RNA pour remplacer la méthode de pricing. Le principe du RNA est aussi présenté dans ce rapport. La calibration s’est faite à l’aide de l’algorithme d’évolution différentielle, qui cherche le minimum global d’erreur entre la volatilité implicite (VI) prédite par le RNA et la VI observée sur le marché financier. Mon travail a permis à l’équipe de statistique du LMRS d’avoir un répertoire des méthodes de pricing et de calibration, de s’initier au machine learning (plus particulièrement au deep learning) et d’apprendre la construction des RNA. Les résultats motivent une étude plus approfondie des méthodes d’apprentissage du RNA afin d’améliorer les performances en terme de temps de calcul et de précision.
Fichier principal
Vignette du fichier
LIU_Qian_Deep_Learning_StageM1.pdf (1.5 Mo) Télécharger le fichier
Origine : Fichiers produits par l'(les) auteur(s)

Dates et versions

dumas-03945488 , version 1 (07-06-2023)

Licence

Paternité - Pas d'utilisation commerciale - Pas de modification

Identifiants

  • HAL Id : dumas-03945488 , version 1

Citer

Liu Qian. Deep learning, pricing et calibration du modèle de Heston. Mathématiques [math]. 2022. ⟨dumas-03945488⟩
270 Consultations
300 Téléchargements

Partager

Gmail Facebook X LinkedIn More