Physics-informed neural network-based option pricing
Fizik temelli sinir ağı tabanlı opsiyon fiyatlaması
- Tez No: 995291
- Danışmanlar: DOÇ. DR. EMRE SEFER
- Tez Türü: Yüksek Lisans
- Konular: Maliye, Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Finance, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Özyeğin Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Veri Bilimi Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Option fiyatlama, finans alanında önemli bir problemdir. En yaygın kullanılan fiyatlama yöntemleri Black–Scholes, CEV, Heston ve SABR modelleri olup, bu modellerin tamamı Kısmi Diferansiyel Denklemler ile ifade edilebilmektedir. Diğer yandan, bir derin öğrenme tekniği olarak Fizik-Temelli Sinir Ağları (Physics-Informed Neural Networks, PINNs), Kısmi Diferansiyel Denklemlere yaklaşık çözümler üretme konusunda büyük bir potansiyel sergilemektedir. Bu çalışmada, söz konusu dört fiyatlama modeli altında PINN tabanlı opsiyon fiyatlama yöntemleri geliştirilmiştir. Yöntemimiz hem simülasyon verileri hem de gerçek piyasa verileri üzerinde değerlendirilmiş; analitik ve sayısal referans modellerle karşılaştırmalı bir performans analizi gerçekleştirilmiştir. RUT ve SPX gibi endeks opsiyonları ile endeks bileşeni şirket opsiyonlarına ilişkin ampirik sonuçlarımız, önerilen derin öğrenme modellerinin mutlak hata bakımından klasik Black–Scholes modeline kıyasla daha başarılı olduğunu göstermektedir. Önerdiğimiz yöntem ayrıca, opsiyon fiyatlama görevi için yakın dönemde sunulan PINNsFormer modelinden de daha iyi performans sergilemektedir. Hem Avrupa tipi hem de Amerikan tipi opsiyonlar üzerinde elde ettiğimiz bulgular, PINN yöntemlerinin opsiyon fiyatlama probleminin çözümündeki potansiyel önemine işaret etmekte olup, bu yaklaşım diğer finansal varlık fiyatlama problemlerine de genişletilebilir. Yöntemlerimiz, kodlarımız ve veri setlerimiz şu adreste sunulmaktadır: https://github.com/seferlab/PINN_for_Options
Özet (Çeviri)
Option pricing is an important problem in finance. The most common option pricing methodologies are Black-Scholes, CEV, Heston, and SABR, where all of them can be described by Partial Differential Equations. On the other hand, as a deep learning technique, Physics-Informed Neural Networks~(PINNs) have shown great potential in providing approximate solutions to Partial Differential Equations~(PDEs). In this study, we come up with Physics-Informed Neural Network-based option pricing methods under these 4 pricing models. We evaluate our method using both simulated and actual market data, and assess its performance against analytical and numerical reference models. The empirical results for index options such as RUT and SPX, as well as index constituent companies options, show that the proposed deep learning models have lower absolute errors than the classical Black–Scholes model solution. Our proposed solution also performs better than the recently proposed PINNsFormer for the option pricing task. Our results on both European and American options show the potential importance of Physics-Informed Neural Networks in solving option pricing, which can also be extended to other financial asset pricing problems. Our methods, analysis code, and datasets are available at: https://github.com/seferlab/PINN_for_Options
Benzer Tezler
- Metal yorgunluğunun lamb dalgaları ile tespiti ve fiziksel güdümlü sinir ağları ile bir tahmin modeli geliştirilmesi
Detection of metal fatigue using lamb waves and development of a physics-informed neural network-based prediction model
OZAN BERKAY BALYEMEZ
Yüksek Lisans
Türkçe
2026
Tobb Ekonomi ve Teknoloji ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
Yükleniyor...
- Solving Navier Stokes equations with physics informed neural network for calculation of aerodynamic forces
Aerodinamik kuvvetleri hesaplamak için Navier-Stokes denklemlerinin fizik bilgili nöral ağ ile çözümü
SILA AKPINAR
- Physics informed machine learning based optimization for chemical engineering applications
Kimya mühendisliği uygulamaları için fizik bilgisiyle zenginleştirilmiş makine öğrenmesine dayalı optimizasyon
ECE SERENAT KÖKSAL
- Physics-informed machine learning-based modeling and control of dynamic process systems
Dinamik sistemlerin fizik bilgili makine öğrenimi tabanlı modellemesi ve kontrolü
TUSE ASRAV
Yüksek Lisans
İngilizce
2023
Koç ÜniversitesiKimya ve Biyoloji Mühendisliği Ana Bilim Dalı
Yükleniyor...
- A convolutional neural network methodology with a momentum-flux-based loss function for predicting aerodynamic flow around airfoils
Uçak kanatları etrafında aerodinamik akış tahmini için momentum-akı-bazlı kayıp fonksiyonlu convolutıonal sinir ağı metodolojisi
MUSTAFA MERT DENİZ
Yüksek Lisans
İngilizce
2023
Orta Doğu Teknik ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
Yükleniyor...