基于机器学习算法的期权波动率预测20180827

基于机器学习算法的金融期权波动率预测

马天平

对外经济贸易大学

北京

100032

摘要：

期权波动率预测是期权风险预 警管理的关键问题，

传统方法采取

GARCH

< br>等时间

序列模型。

与传统方法不同，

本文创建了基于机器学习算法的新预警体系，

体系

以中国波 指为对象，

采取

48

个相关指标作为对 中国波指预测的特征

（

Feature

）

，

依次引入

SVM

< br>机器学习、

KNN

样本不平衡机器学习、

RF

划分、

GBDT

优化完< /p>

成机器学习建模过程，

并对这几种方法进行比较。

测试样本显示，

基于机器学习

的预测效果好于传统的< /p>

GARCH

模型。

本文理论价值在于丰富 了期权随机波动率

预测领域的相关文献。

应用价值在于为波动率 的预测进而期权风险预警提供了新

的方法。

关键词

：

机器学习；期权交易；波动率预测

A

Forecast

Method

about

Option

Volatility

based

on

Machine

Learning

MA Tianping

Ma Tianping University of International Business and Economics Beijing 100032

Abstract

：

The prediction of option volatility is an important issue in the early warning

management

of

option

risk,

and

the

traditional

method

takes

time

series

model.

Different

from

traditional

methods,

this

paper

proposes

an

early

warning

method

based on machine learning algorithm. Specifically, we propose an analysis framework

of machine learning, and then make China V

olatility Index as testing object, taking 48

related indicators as the characteristics (Feature) of China V

olatility Index, introduce

the

SVM

machine

learning,

KNN,

RF,

GBDT

optimization

respectively,

and

then

make

a

comparison

between

these

methods.

The

testing

sample

shows

that

the

prediction

effect

based

on

machine

learning

is

better

than

the

traditional

GARCH

model. The theoretical value of this paper lies in that we enrich the relevant literature

in

the

field

of

stochastic

volatility

prediction.

The

application

value

lies

in

that

we

provide a new method for the prediction of volatility and the early warning of option

1

risk.

Key words:

Machine Learning, Option Trading, Risk Warning, China V

olatility Index

一、引言

金融工程中，

期权是重要的衍生品工具。

作为机构交易者，

在设计 交易期权

的策略中，

突出的交易策略是卖出类。

但单向卖出期权与单项买入期权一样，

存

在巨大的交易 风险。为获取稳健的卖出类期权策略收益，需要动态对冲。

如 何考虑对冲的动态连续性和前瞻性，

成为风险管理的焦点。

市场 波动率是

决定期权价格的重要变量，

然而事实和研究表明，

期权波动率并不是一成不变的，

而是具有随机性（

< br>Hull & White

，

1987

< br>；

Wigggins

，

1987

；

Heston

，

1993

；等）。

波动率的不可预测性意味着难以找到合适 的波动率对期权予以定价。

因而要把握

期权价格的变化趋势以及 对冲的动态性和前瞻性，

对波动率的预测就成为十分重

要的工作 。

比如，

在卖出期权的策略中风险很大一部分来自隐含波动率的 大幅度

上涨，

因此如果我们能够提前预测出隐含波动率的上涨，

便可以通过对冲仓位的

调整来削减或是规避掉波动率上涨带来的 风险

波动率预测急需使用新的方法体系模型，近年来，随着大 数据、人工智能、

机器学习技术的日趋成熟，

可以利用新技术实 现波动率的预测。

大数据是新技术

处理模式中，

具有更强的决策力、

洞察力和流程优化能力的海量、

高 增长率和多

样化的信息资产（迈尔

-

舍 恩伯格和库克耶，

2013

）

T+0< /p>

交易的期权在年度、月

度、

周度、

日度、

秒度的不同层次、

不同深度数据，

可以满足数据

“大”

的标准。

而

“

人工智能