Découvrez notre nouvelle « Note Quant – Pricing d’Options Vanilles par Deep Learning ». Cette note de quelques pages propose une première confrontation entre le Deep Learning et la finance computationnelle à travers un pricing d’options vanilles par réseaux de neurones.
Dans le domaine de la finance computationnelle, les méthodes numériques sont couramment utilisées pour l’évaluation des produits financiers dérivés ainsi que dans la gestion des risques. D’une manière générale, les modèles avancés d’actifs financiers sont capables de capturer les caractéristiques non linéaires observées sur les marchés financiers. Cependant, ces modèles de prix d’actifs sont souvent multidimensionnels et, par conséquent, ne donnent pas lieu à des solutions à forme fermée pour la valeur des options. Les réseaux de neurones artificiels (ANN) à couches cachées multiples sont devenus des méthodes d’apprentissage automatique efficaces pour extraire des caractéristiques et détecter des modèles qui présentent surtout de forte non-linéarité.
Cependant, ces structures ont un point faible qui est le manque d’interprétabilité, vu que les ANN sont définies par des millions de paramètres.
La vraie question qui se pose est la suivante :
un article rédigé par…
Marwane EL AZZOUZI,
Quantitative Analyst (Practice Quant) chez Quanteam
