基于LSTM的沪深300ETF期权定价模型研究

将深度学习算法中的长短记忆神经网络(LSTM)引入期权定价的研究中.构建了沪深300ETF看涨期权和看跌期权的LSTM定价模型,进行了实证分析,并和BP神经网络模型的预测结果进行了对比.结果表明,LSTM神经网络模型的预测精度与深度学习的训练次数有关,且LSTM期权定价模型的预测效果要优于传统的BP模型.

新冠疫情下碳排放权期权定价及实证研究

随着低碳经济时代的到来,不论是理论研究还是实际应用方面,碳排放权的定价问题越来越受到大家的关注,尤其是研究新冠疫情下碳排放权期权定价问题。本文借助于决策树梯度提升算法(LGBM)、自适应噪声的完全经验模态分解(CEEMDAN)及AE近似熵重构算法,集机制转换的跳–扩散模型(RSJM)、径向基神经网络模型(RBF)的优点,建立了一种不同特征维度下RSJM-RBF碳排放权期权定价模型;并利用新冠疫情下欧盟EUA碳排放权期权数据进行了实证分析。实证结果表明:与基于GARCH的分数布朗运动模型(FBM)相比,本文提出的RSJM-RBF碳排放权期权定价模型具有较高的预测精度;以皮尔逊相关系数为指标,对两种模型进行了鲁棒性分析,结果显示本文所建模型的稳健性更强。