So sánh giữa mô hình Black & Scholes và Mạng thần kinh nhân tạo trong việc định giá quyền chọn

Abstract

Khối lượng giao dịch ngày càng nhiều, tính đổi mới cao và thúc đẩy tích cực đến sự phát triển của thị trường tài chính. Với những điều đó cho thấy quyền chọn đóng một vai trò rất quan trọng trong thị trường hiện nay. Tuy nhiên, bởi vì bị ảnh hưởng bởi nhiều yếu tố nên việc định giá quyền chọn một cách chính xác là một nhiệm vụ khó khăn cho những nhà tài chính. Vào năm 1973, Black, Scholes và Merton đã đưa ra một bài nghiên cứu mà mang tính đột phá và mở đường cho sự phát triển của quyền chọn. Trong bài nghiên cứu đó, các tác giả đã được ra một mô hình tham số để định giá cho quyền chọn được gọi là công thức Black-Scholes-Merton. Tuy nhiên, vào năm 1980, các nhà giao dịch đã nhận ra rằng công thức định giá Black-Scholes-Merton không chính xác hoàn toàn. Với sự tiến bộ về mặt công nghệ và kỹ thuật, rất nhiều tác giả đã được ra rất nhiều các mô hình định giá khác nhau trong đó nổi trội hơn là dùng mô hình phi tham số của mạng nơ-ron nhân tạo (ANN) để định giá. Mục đích chính của bài nghiên cứu là so sánh ba mô hình đó là công thức Black-ScholesMerton và mạng nơ-ron nhân tạo mà cụ thể hơn là Mạng nơron truyền thẳng nhiều lớp (MLP) và Mạng bộ nhớ dài-ngắn (LSTM) trong việc định giá quyền chọn kiểu Châu Âu của Bitcoin . Bài nghiên cứu sử dụng MSE, RMSE và MAE để so sánh hiệu suất của cả hai mô hình.Kết quả cho thấy mô hình LSTM có định giá quyền chọn mua hiệu quả hơn so với mô hình MLP và Black & Scholes. Tuy nhiên, đối với quyền chọn mua Bitcoin trong trạng thái lời (ITM - In the money) thì MLP lại hiệu quả hơn LSTM.