Modelli di Apprendimento Automatico per la Determinazione del Prezzo delle Opzioni basata su Monte Carlo nel Framework SVCJ

This dissertation focuses on the implementation of machine learning techniques within financial option pricing models. The work is driven by the awareness of the inherent limitations in traditional option pricing models and the aspiration to exploit the advantages offered by machine learning algorithms. The investigation employs machine learning techniques, specifically Linear Regression, Random Forest, and Neural Networks, in synergy with Monte Carlo simulations within the SVCJ model context. The goal is to enhance the precision of option pricing, leveraging the ability of machine learning models to identify and interpret complex patterns and relationships in financial data. The integration of these techniques effectively addresses the challenge of modeling non-linear relationships, typical of financial markets, thereby improving pricing accuracy. The obtained results indicate that data-driven strategies can boost the effectiveness of price determination, as evidenced by the reduction in both the Root Mean Square Error (RMSE) and the Mean Absolute Percentage Error (MAPE).

Questa tesi magistrale si focalizza sull'implementazione di tecniche di apprendimento automatico all'interno dei modelli di valutazione delle opzioni finanziarie. Il lavoro è stimolato dalla consapevolezza delle limitazioni intrinseche nei modelli di valutazione delle opzioni tradizionali e dall'aspirazione di sfruttare i vantaggi offerti dagli algoritmi di apprendimento automatico con un metodo "model-reference". L'indagine si avvale di tecniche di apprendimento automatico, specificatamente Regressione Lineare, Random Forest e Reti Neurali, in sinergia con le simulazioni di Monte Carlo nel contesto del modello SVCJ. L'obiettivo è di incrementare la precisione della valutazione delle opzioni, sfruttando la capacità dei modelli di machine learning di identificare e interpretare schemi e relazioni complesse nei dati finanziari. L'integrazione di queste tecniche consente di affrontare efficacemente la sfida della modellazione di relazioni non lineari, tipiche dei mercati finanziari, migliorando così l'accuratezza della valutazione. I risultati ottenuti indicano che le strategie basate sull'analisi dei dati possono potenziare l'efficacia della determinazione del prezzo, come evidenziato dalla riduzione sia dell'Errore Quadratico Medio (RMSE) che dell'Errore Percentuale Medio Assoluto (MAPE).