周玉琴　朱福敏

（1.西南財經(jīng)大學(xué)，四川成都 611130；2.深圳大學(xué)，廣東 深圳518060）

大數(shù)據(jù)背景下我國上證50ETF期權(quán)定價研究

周玉琴1朱福敏2

（1.西南財經(jīng)大學(xué)，四川成都 611130；2.深圳大學(xué)，廣東 深圳518060）

為分析我國上證50ETF期權(quán)標(biāo)資產(chǎn)價格隱含分布特點，在標(biāo)的資產(chǎn)價格分別服從IHS分布、Weibull分布和對數(shù)正態(tài)分布假設(shè)基礎(chǔ)上，對其定價及預(yù)測，并運用數(shù)據(jù)挖掘中機器學(xué)習(xí)方法修正以上參數(shù)模型誤差（參考模型方法），進一步與機器學(xué)習(xí)期權(quán)定價中的直接方法和層疊方法比較。實證結(jié)果表明，參考模型方法優(yōu)于其他兩種方法，較之支持向量機、神經(jīng)網(wǎng)絡(luò)和Boosting算法，隨機森林算法可有效預(yù)測歐式看漲期權(quán)價格，但針對不同價值區(qū)間和到期日，標(biāo)的資產(chǎn)價格隱含分布特點不一致。

IHS分布；隨機森林；參考模型方法；價值區(qū)間

一、引言

上證50ETF期權(quán)上市標(biāo)志我國金融市場迎來首只場內(nèi)期權(quán)產(chǎn)品，為投資者開展風(fēng)險管理提供有力工具，準(zhǔn)確計算價格并預(yù)測未來價格有助于投資者有效決策。此外，大數(shù)據(jù)時代背景下，如何運用數(shù)據(jù)挖掘提高期權(quán)價格預(yù)測精度對風(fēng)險管理至關(guān)重要。Black和Scholes［1］在假設(shè)標(biāo)的資產(chǎn)價格服從對數(shù)正態(tài)分布基礎(chǔ)上推導(dǎo)出歐式期權(quán)定價公式，并廣泛應(yīng)用，但因無法解釋波動率微笑而受到諸多質(zhì)疑。為解決此問題，學(xué)者改變對數(shù)正態(tài)分布假定以對期權(quán)定價，如McDonald等［2］推導(dǎo)GB2 （Generalized Beta of the Second Kind）分布下的期權(quán)定價公式，Mauler等［3］在其他研究基礎(chǔ)上，進一步比較各分布下期權(quán)定價誤差，實證結(jié)果表明IHS（Inverse Hyperbolic Sine）分布下的期權(quán)定價公式最優(yōu)，并且其參數(shù)校準(zhǔn)時間成本小于其他參數(shù)超過兩個的分布，因此本文選擇標(biāo)的資產(chǎn)價格服從IHS分布假定下的期權(quán)定價公式對上證50ETF看漲期權(quán)定價，并比較兩個參數(shù)的Weibull［4］和對數(shù)正態(tài)分布，探討上市初期上證50ETF期權(quán)標(biāo)的資產(chǎn)價格隱含分布，有利于市場情緒測量以及相關(guān)前瞻信息傳播［5］。

期權(quán)價格受諸多因素影響，包括標(biāo)的資產(chǎn)價格、執(zhí)行價格、資產(chǎn)價格波動率、利率、到期時間、投資者對市場態(tài)度和市場趨勢等［6］。但基于以上因素以及無套利假設(shè)參數(shù)期權(quán)定價方法依賴于標(biāo)的資產(chǎn)價格及其波動率［7］，并對價格過程嚴(yán)格假定，這些假設(shè)與現(xiàn)實不符導(dǎo)致定價系統(tǒng)性誤差和套利誤差［8］。因此，參數(shù)期權(quán)定價準(zhǔn)確率取決于能否準(zhǔn)確反映潛在資產(chǎn)價格過程［9］，然而參數(shù)定價公式很難反映波動率的時變性與價格隨機性特征，對此，數(shù)據(jù)挖掘中機器學(xué)習(xí)方法作為非參和半?yún)⒎椒☉?yīng)用于期權(quán)定價中。

為降低期權(quán)定價誤差，提高預(yù)測精度，Hutchison［10］首先將神經(jīng)網(wǎng)絡(luò)算法引入歐式期權(quán)定價模型中，Liang等［6］在前人研究基礎(chǔ)上將機器學(xué)習(xí)下的期權(quán)定價方法總結(jié)為直接方法（direct method）、參考模型方法（model-reference method）和層疊方法（cascade method），并結(jié)合二叉樹模型、有限差分模型和蒙特卡洛模擬探討層疊方法。此外，諸多文獻(xiàn)［11-13］分別討論直接方法和參考模型方法，結(jié)果表明神經(jīng)網(wǎng)絡(luò)算法和支持向量機算法下的期權(quán)定價優(yōu)于BS模型，Park等［14］進一步研究表明，較之Heston模型和Merton模型，支持向量機算法下的期權(quán)定價誤差更小。

然而，現(xiàn)有文獻(xiàn)僅單獨討論其中一種方法，并通過改進算法提高期權(quán)定價及預(yù)測精度，但何種方法在期權(quán)定價中表現(xiàn)更優(yōu)以及如何體現(xiàn)三種方法優(yōu)劣，尚無深入探討。此外，機器學(xué)習(xí)包含諸多算法［15］，相對其他算法（隨機森林、Boosting），支持向量機算法和神經(jīng)網(wǎng)絡(luò)算法下的期權(quán)定價是否更優(yōu)？本文基于標(biāo)的資產(chǎn)價格分別服從IHS分布、Weibull分布和對數(shù)正態(tài)分布假設(shè)，探討上證50ETF看漲期權(quán)標(biāo)的資產(chǎn)價格隱含分布特點，并結(jié)合機器學(xué)習(xí)方法對其定價及預(yù)測，首次運用隨機森林算法修正參數(shù)期權(quán)定價誤差，并實證比較三種方法下的期權(quán)定價預(yù)測精度。

二、理論模型

（一）隱含分布特點

自BS模型提出以來，關(guān)于資產(chǎn)價格服從對數(shù)正態(tài)分布的假設(shè)不斷改進，如Mauler等［3］、Savickas［4］分別推導(dǎo)出標(biāo)的資產(chǎn)價格服從IHS分布和Weibull分布的期權(quán)定價公式。在風(fēng)險中性概率測度假設(shè)下，狀態(tài)價格密度函數(shù)和期權(quán)價格間具有極簡單關(guān)系（式1），其中C為看漲期權(quán)的價格，r為無風(fēng)險利率，T為距離到期日時間，K為期權(quán)執(zhí)行價格，S為期權(quán)合約標(biāo)的資產(chǎn)價格，f（s）為風(fēng)險中性概率測度下的標(biāo)的資產(chǎn)價格密度函數(shù)。

Johnson［16］首先提出IHS分布，IHS隨機變量YIHS可表示為式（2），其中sinh為雙曲正旋函數(shù)，Z為標(biāo)準(zhǔn)隨機正態(tài)變量，a、b、λ和k分別是與YIHS均值、方差、偏度和峰度相關(guān)參數(shù)。定義XIHS=S/ST，假設(shè)XIHS服從IHS分布，將XIHS帶入式（1）中，則歐式看漲期權(quán)定價公式為式（3），其中φ-1（）為式（2）中的逆函數(shù)，Φ（）為標(biāo)準(zhǔn)正態(tài)分布的累計分布函數(shù)。為使得期權(quán)價格服從風(fēng)險中性假設(shè)，式（3）中參數(shù)需滿足約束條件式（4）。

對數(shù)正態(tài)（LN）分布和Weibull分布假定下的看漲期權(quán)定價公式為式（5）［2］，其中ψ（）表達(dá)式分別為式（6）和式（7），CDFLN（）為對數(shù)正態(tài)分布累計分布函數(shù)，式（8）中的F［］為合流超幾何分布（confluent hypergeometric distribution）。將各分布下的期權(quán)定價模型作為參考模型方法和層疊方法中的參數(shù)模型，并運用非線性最小二乘方法對式（9）（PK為期權(quán)市場價格，CKθ為模型估計價格）校準(zhǔn)，進而分析期權(quán)標(biāo)的資產(chǎn)價格隱含分布特點。

（二）機器學(xué)習(xí)方法

機器學(xué)習(xí)方法可以從樣本數(shù)據(jù)中找出某種規(guī)律［17］，廣泛應(yīng)用于對統(tǒng)計數(shù)據(jù)的回歸與分析中，雖在醫(yī)學(xué)、生物信息學(xué)、農(nóng)學(xué)等眾多領(lǐng)域廣泛應(yīng)用［18-19］，但在期權(quán)定價中，只應(yīng)用了支持向量機和神經(jīng)網(wǎng)絡(luò)，在此基礎(chǔ)上引入隨機森林和Boosting算法予以比較。

1.支持向量機。支持向量機（SVM）以增強幻化能力為目標(biāo)，是Vapnik［20］等于1995年建立的新機器學(xué)習(xí)算法，采用結(jié)構(gòu)風(fēng)險最小化（SRM）準(zhǔn)則，通過滿足Mercer條件的核函數(shù)把輸入空間數(shù)據(jù)轉(zhuǎn)換到高維Hilbert空間。給定數(shù)據(jù)集為L=｛（Xi，Yi），i=1，2，…，n｝，其中n為樣本總數(shù)，式（10）為線性回歸函數(shù)，其中φ（x）為非線性函數(shù)，w和b為函數(shù)向量回歸參數(shù)。支持向量機回歸模型（ε-SVM）通過“ε不敏感”誤差度量，即損失函數(shù)，使回歸函數(shù)盡量平滑，同時使輸入樣本對應(yīng)目標(biāo)值和求出的輸入樣本輸出值差不超過ε。則SVM優(yōu)化問題表示為式（11），其中松弛因子ξ和ξ*為引入?yún)⒘?，表示樣本超過精度ε程度，取值采用ε不靈敏函數(shù)，C是控制超出誤差樣本懲罰程度的懲罰系數(shù)。

式（11）相應(yīng)的對偶問題為式（12），因此決策函數(shù)為式（13），其中K（）為核函數(shù)，采用核函數(shù)徑向基核函數(shù)（RBF）（式14）作為SVM定價模型核函數(shù)。

圖1　人工神經(jīng)元模型

圖2 隨機森林算法

（三）期權(quán)定價

學(xué)者將機器學(xué)習(xí)方法（如神經(jīng)網(wǎng)絡(luò)和支持向量機）引入期權(quán)定價中，由于其假設(shè)條件較少，可用未知函數(shù)估計，能夠較好描述期權(quán)價格影響因素與期權(quán)價格間非線性關(guān)系，預(yù)測精度較之傳統(tǒng)參數(shù)模型（如BS模型）頗為理想。機器學(xué)習(xí)下的期權(quán)定價框架主要包括三種：直接方法（見圖3）、層疊方法（見圖4）和參考模型方法（見圖5）［6］，其中直接方法僅運用機器學(xué)習(xí)方法對期權(quán)定價，未結(jié)合參數(shù)模型［26］，而層疊方法和參考模型方法充分結(jié)合傳統(tǒng)參數(shù)模型和機器學(xué)習(xí)方法優(yōu)點，即在傳統(tǒng)參數(shù)模型基礎(chǔ)上借助機器學(xué)習(xí)方法進一步提高期權(quán)定價和預(yù)測精度［27-28］。

圖3直接方法

圖4層疊方法

圖5 參考模型方法

從三個分布下的期權(quán)定價公式可知，影響期權(quán)價格因素包括無風(fēng)險利率、期權(quán)執(zhí)行價格、到期時間、波動率和標(biāo)的資產(chǎn)價格。Bakshi［29］和Gradojevic［30］建議將期權(quán)按價值區(qū)間和到期時間分類，因此本文將看漲期權(quán)按價值區(qū)間（標(biāo)的資產(chǎn)價格（S）/期權(quán)執(zhí)行價格（K））分為三類，分別為價內(nèi)期權(quán)（ITM；S/K≥1.03）、平價期權(quán)（ATM；S/K∈（0.97，1.03））和價外期權(quán)（OTM；S/K＜1.03）；按到期日（T）也分為三類，分別為短期到期期權(quán)（T≤60天）、中期到期期權(quán)（T∈（60，180）天）和長期到期期權(quán)（T≥180天）。因此，在運用機器學(xué)習(xí)方法時，直接方法輸入變量為錢性值（或標(biāo)的資產(chǎn)價格和執(zhí)行價格）、波動率、到期時間、無風(fēng)險利率，目標(biāo)變量為期權(quán)價格；層疊方法輸入變量為三個分布下的期權(quán)定價結(jié)果，目標(biāo)變量為期權(quán)價格；參考模型方法的輸入變量與直接方法一致，但目標(biāo)變量為各分布下的期權(quán)定價誤差（即期權(quán)價格與各分布下的定價結(jié)果之差）。

（四）模型評價指標(biāo)

為比較各模型間期權(quán)定價誤差及預(yù)測精度，通過均方根誤差RMSE（Root Mean Square Error）（式18）、平均絕對誤差MAE（Mean Absolute Error）（式19）和均方根相對誤差RMSRE（Root Mean Square Relative Error）（式20）統(tǒng)計指標(biāo)評估定價結(jié)果和真實價格間誤差，其中，N為樣本數(shù)量，Cmrkk為實際期權(quán)價格，Cmodk為模型估計期權(quán)價格。

三、數(shù)據(jù)與實證分析

（一）數(shù)據(jù)預(yù)處理

數(shù)據(jù)集選取2015年2月至2015年9月交易中的上證50ETF看漲期權(quán)，包含31個執(zhí)行價合約。為穩(wěn)定定價，剔除距到期日時間少于一周以及期權(quán)價格小于0.05的期權(quán)合約［26］，剩余看漲期權(quán)樣本3933個，并隨機抽取80％（3164）樣本作為機器學(xué)習(xí)訓(xùn)練集，剩余20％（787）為預(yù)測集。本文將期權(quán)合約買賣平均價作為期權(quán)市場價格，上證50ETF前日收盤價作為標(biāo)的資產(chǎn)當(dāng)日價格，對應(yīng)期限的shibor利率作為無風(fēng)險利率，分別采用標(biāo)的資產(chǎn)收益率歷史波動率（式21）和GJR-GARCH條件波動率（式22和式23）作為波動率參數(shù)（見圖6），所有數(shù)據(jù)來源于彭博數(shù)據(jù)庫。從圖6可知，上證50ETF收益率歷史波動率波動幅度明顯小于GARCH條件波動率，運用在機器學(xué)習(xí)下的期權(quán)定價誤差進行比較。從樣本期間內(nèi)期權(quán)價格描述統(tǒng)計（見表1）可知，我國目前交易中平價期權(quán)較少，多屬于價內(nèi)期權(quán)；短期期權(quán)較少，多屬于中期期權(quán)，并且價內(nèi)期權(quán)價格均值和波動率均明顯高于價外期權(quán)和平價期權(quán)，短期期權(quán)價格均值和波動率明顯低于中期期權(quán)和長期期權(quán)。

圖6　上證50ETF收益率波動率時序

表1　期權(quán)價格描述統(tǒng)計

（二）隱含分布特點

為探討初上市上證50ETF期權(quán)隱含分布特點，通過訓(xùn)練集數(shù)據(jù)校準(zhǔn)得IHS分布（a=0.976，b= 0.004，λ=-0.876，k=0.341）、Weibull分布（α= 7.8699，β=1.0930）和LN分布（u=0.380，σ=0.248）的隱含參數(shù)，并以此對預(yù)測集數(shù)據(jù)期權(quán)定價（見表2），結(jié)果表明對數(shù)正態(tài)分布下的期權(quán)定價公式更適合價內(nèi)期權(quán)和平價期權(quán)定價，而對于價外期權(quán)，IHS分布最優(yōu)，由于上證50ETF期權(quán)初步發(fā)展，這與Mauler［3］、Savickas［4］研究結(jié)果不符。相較而言，對數(shù)正態(tài)分布和Weibull分布對價內(nèi)期權(quán)定價誤差小于對其他期權(quán)定價誤差。從不同到期日期權(quán)定價預(yù)測精度看（見圖7），短期期權(quán)更適合在IHS分布下定價，而中期期權(quán)和長期期權(quán)在LN分布下定價預(yù)測精度最高，因此在對期權(quán)定價時，應(yīng)針對不同價值區(qū)間、不同到期日采取不同定價模型。總體觀之，IHS分布下各價值區(qū)間期權(quán)定價誤差差距較小，相對穩(wěn)定，而Weibull和LN分布對OTM期權(quán)定價誤差均較大，說明價值區(qū)間對Weibull和LN期權(quán)定價誤差影響較大，但從RMSRE指標(biāo)可以看出，三個分布下的期權(quán)定價效果不佳，需進一步改善，引入機器學(xué)習(xí)方法修正三個分布下的期權(quán)定價誤差。

（三）參考模型方法

分別運用隨機森林、Boosting、神經(jīng)網(wǎng)絡(luò)（隱含層神經(jīng)元個數(shù)為5，迭代次數(shù)為200）和支持向量機算法修正上述三種分布下的期權(quán)定價誤差，即運用參考模型方法對看漲期權(quán)定價。根據(jù)隨機森林修正下不同輸入變量的期權(quán)定價誤差（見表3）可知，運用價值區(qū)間變量代替標(biāo)的資產(chǎn)價格和執(zhí)行價兩個變量作為輸入變量的定價誤差普遍更小，而不同波動率之間的定價誤差較接近。總體而言，隨機森林修正后的期權(quán)定價誤差大幅降低，與其他研究［6］結(jié)果一致，但其中經(jīng)隨機森林算法修正后Weibull分布下的期權(quán)定價RMSRE降低最多，表明對價外期權(quán)而言，Weibull分布優(yōu)于其他分布，LN分布下的價內(nèi)期權(quán)和平價期權(quán)定價誤差依然相對較小，而經(jīng)隨機森林算法修正后的IHS分布的RMSRE降低幅度明顯低于其他兩個分布，說明最優(yōu)參數(shù)期權(quán)定價模型經(jīng)過隨機森林修正后期權(quán)定價預(yù)測精度未必最佳。

由于投資者更關(guān)注預(yù)測集定價誤差，僅給出不同到期日預(yù)測集在不同輸入變量下的期權(quán)定價誤差（見圖8），結(jié)果表明，雖然不同到期日下的期權(quán)定價誤差均降低，但三個分布下的短期期權(quán)定價預(yù)測精度較差，經(jīng)隨機森林算法修正后對數(shù)正態(tài)分布下的短期期權(quán)定價預(yù)測精度較高，而對于中長期期權(quán)，經(jīng)隨機森林修正后Weibull分布下的期權(quán)定價誤差最小。

分別運用隨機森林、支持向量機、神經(jīng)網(wǎng)絡(luò)和Boosting算法修正三個分布下的期權(quán)定價誤差，其中輸入變量集與模型5一致。結(jié)果表明（見表4和圖9），神經(jīng)網(wǎng)絡(luò)算法并未達(dá)到修正效果，定價誤差較大，隨機森林修正效果最優(yōu)，定價誤差最小，但對預(yù)測集中短期期權(quán)定價預(yù)測精度需進一步提高，而對中長期期權(quán)定價誤差較小，其中經(jīng)機器學(xué)習(xí)修正后Weibull分布下的期權(quán)定價預(yù)測結(jié)果優(yōu)于其他兩個分布。

表2　各分布下不同價值區(qū)間期權(quán)定價誤差

圖7不同到期日分布預(yù)測集期權(quán)定價誤差（MAE和RMSRE）

（四）直接方法和層疊方法

通過隨機森林、支持向量機、神經(jīng)網(wǎng)絡(luò)和Boosting算法分別對輸入變量集直接學(xué)習(xí)進而對期權(quán)定價（直接方法），結(jié)果表明（見表5），總體而言，隨機森林算法修正下的期權(quán)定價預(yù)測結(jié)果最好，而Boosting算法下的期權(quán)定價誤差最大；機器學(xué)習(xí)算法修正下的價內(nèi)期權(quán)定價誤差小于平價期權(quán)小于價外期權(quán)，長期期權(quán)定價預(yù)測結(jié)果優(yōu)于中期期權(quán)優(yōu)于短期期權(quán)；從輸入變量集看，對于不同算法，最優(yōu)輸入變量集不一致，未將波動率納入輸入變量集的模型9和模型10定價誤差與其他模型較接近，這也是機器學(xué)習(xí)算法下的期權(quán)定價較之參數(shù)模型的優(yōu)越性之一。較之參數(shù)模型而言（見表2），隨機森林算法和支持向量機算法下的直接期權(quán)定價誤差小于三個分布下的期權(quán)定價誤差，但較于參考模型方法，直接方法期權(quán)定價誤差較大。

表3　隨機森林修正下的不同價值區(qū)間期權(quán)定價誤差（RMSRE）

圖8　隨機森林修正下預(yù)測集不同到期日期權(quán)定價誤差（RMSRE）

表4　機器學(xué)習(xí)修正下的不同到期日期權(quán)定價誤差（RMSRE）（模型5）

圖9　機器學(xué)習(xí)修正下預(yù)測集不同價值區(qū)間期權(quán)定價誤差（RMSRE）

表5直接方法期權(quán)定價誤差（RMSRE）

通過將三個分布的定價結(jié)果作為輸入變量開展機器學(xué)習(xí)對期權(quán)定價（層疊方法），結(jié)果表明（見表6），較之直接方法和參考模型方法，層疊方法定價誤差較大，其中測試集中隨機森林算法下的定價誤差較小，而預(yù)測集中，支持向量機算法下的期權(quán)定價預(yù)測結(jié)果較優(yōu)，Boosting算法下的期權(quán)定價誤差極大，尤其對短期期權(quán)而言。分別選取各模型中最優(yōu)者對比，結(jié)果表明（見圖10），參考模型方法與市場價格最接近，參數(shù)模型和層疊方法均高估了價內(nèi)期權(quán)價格，而直接方法低估了價內(nèi)期權(quán)價格。

（五）穩(wěn)健性檢驗

為檢驗期權(quán)定價預(yù)測結(jié)果穩(wěn)定性，隨機抽取40％（1573）和60％（2360）樣本作為訓(xùn)練集，剩余樣本為預(yù)測集，本文僅對參考模型方法加以探討，結(jié)果表明（見表7），減少訓(xùn)練集樣本數(shù)量并未明顯增加期權(quán)定價誤差，雖然各分布下的期權(quán)定價預(yù)測結(jié)果依然不佳，然而對數(shù)正態(tài)分布對平價期權(quán)和中長期期權(quán)，Weibull分布對價內(nèi)期權(quán)以及IHS分布對短期期權(quán)的定價誤差相對較小，說明參數(shù)校準(zhǔn)模型對數(shù)據(jù)樣本依賴性不強。不同樣本數(shù)量訓(xùn)練集下的參考模型方法期權(quán)定價結(jié)果表明（見表8），訓(xùn)練集占比越高，期權(quán)定價誤差越小，但相較于參數(shù)模型而言，即使僅有40％樣本作為訓(xùn)練集的參考模型方法也優(yōu)于參數(shù)模型。

表6層疊方法期權(quán)定價誤差（RMSRE）

圖10　訓(xùn)練集價內(nèi)期權(quán)部分定價結(jié)果

表7 參數(shù)模型預(yù)測集期權(quán)定價誤差（RMSE）

表8　隨機森林修正下的預(yù)測集期權(quán)定價誤差（RMSE）（模型5）

四、結(jié)論

通過分析我國上證50ETF看漲期權(quán)隱含分布特點，比較機器學(xué)習(xí)算法下的直接方法、參考模型方法和層疊方法對看漲期權(quán)定價誤差，并對訓(xùn)練集樣本展開穩(wěn)健性檢驗，結(jié)果表明參考模型方法優(yōu)于直接方法與層疊方法。具體而言，在隱含分布方面，價內(nèi)期權(quán)、價外期權(quán)及中長期期權(quán)在對數(shù)正態(tài)分布下的定價預(yù)測精度最高，而價外期權(quán)和短期期權(quán)更適合在IHS分布假定下定價；就機器學(xué)習(xí)方法而言，相較于支持向量機、神經(jīng)網(wǎng)絡(luò)和Boosting算法，隨機森林修正下的參考模型方法預(yù)測精度最高，其中隨機森林修正后Weibull分布下的價外期權(quán)和中長期期權(quán)定價誤差最小，LN分布下的價內(nèi)期權(quán)、平價期權(quán)和短期期權(quán)定價預(yù)測結(jié)果最優(yōu)。由此可知，不同價值區(qū)間和不同到期日期權(quán)需采用不同模型定價，但均可運用機器學(xué)習(xí)方法修正誤差，有利于提高期權(quán)定價預(yù)測精度。雖然參考模型方法下的期權(quán)定價誤差較小，但對短期期權(quán)定價預(yù)測精度較低，后續(xù)將改進隨機森林算法，結(jié)合其他參數(shù)模型進一步提高期權(quán)定價預(yù)測精度。

［1］Black F，Scholes M.The Pricing of Options and Corporate Liabilities［J］.The Journal of Political Economy，1973（3）.

［2］McDonald J B，Bookstaber R M.Option Pricing for Generalized Distributions［J］.Communications in Statistics-theory and Methods，1991（12）.

［3］Mauler D J，McDonald J B.Option Pricing and Distribution Characteristics［J］.Computational Economics，2015（4）.

［4］Savickas R.A Simple Option-Pricing Formula［J］.Financial Review，2002（2）.

［5］ Bahra B.Implied Risk-neutral Probability Density Functions from Option Prices∶Theory and Application［R］.London∶Bank of England Working Paper，1997.

［6］Liang X，Zhang H，Xiao J，et al.Improving Option Price Forecasts withNeuralNetworksandSupportVectorRegressions［J］. Neurocomputing，2009（13）.

［7］Bates D S.Empirical Option Pricing∶A Retrospection［J］.Journal of Econometrics，2003（1）.

［8］Cont R，Da Fonseca J.Dynamics of Implied Volatility Surfaces［J］. Quantitative Finance，2002（1）.

［9］Jozef B，Baruníková M.Neural Networks as Semiparametric Option Pricing Tool［J］.Bulletin of the Czech Econometric Society，2011（18）.

［10］Hutchinson J M，Lo A W，Poggio T.A Nonparametric Approach to Pricing and Hedging Derivative Securities via Learning Networks ［J］.The Journal of Finance，1994（3）.

［11］Garcia R，Gencay R.Pricing and Hedging Derivative Securities with Neural Networks and a Homogeneity Hint［J］.Journal of Econometrics，2000（1）.

［12］Spreckelsen C，Mettenheim H J，Breitner M H.Real-time Pricing and Hedging of Options on Currency Futures with Artificial Neural Networks［J］.Journal of Forecasting，2014（6）.

［13］張鴻彥，林輝.應(yīng)用混合神經(jīng)網(wǎng)絡(luò)和遺傳算法的期權(quán)價格預(yù)測模型［J］.管理工程學(xué)報，2009（1）.

［14］Park H，Kim N，Lee J.Parametric Models and Non-parametric Machine Learning Models for Predicting Option Prices∶Empirical Comparison Study over KOSPI 200 Index Options［J］.Expert Systems with Applications，2014（11）.

［15］Kew W，Mitchell J B O.Greedy and Linear Ensembles of Machine Learning Methods Outperform Single Approaches for QSPR Regression Problems［J］.Molecular Informatics，2015（9）.

［16］Johnson N L.Systems of Frequency Curves Generated by Methods of Translation［J］.Biometrika，1949（1）.

［17］Berenji H R.Computational Intelligence and Soft Computing for Space Applications［J］.IEEE Aerospace and Electronic Systems Magazine，1996（8）.

［18］馮穎，周曉劍.基于機器學(xué)習(xí)的壽險精算生命表函數(shù)估計［J］.系統(tǒng)工程，2014（10）.

［19］Fantazzini D，F(xiàn)igini S.Random Survival Forests Models for SME Credit Risk Measurement［J］.Methodology and Computing in Applied Probability，2009（1）.

［20］Vapnik V N.The Nature of Statistical Learning Theory［M］.New York∶Springer-verlag，1995.

［21］ Brian D.Ripley.Pattern Recognition and Neural Networks［M］. New York∶Cambridge University Press，1996.

［22］Breiman L.Random Forests［J］.Machine Learning，2001（1）.

［23］ Rodriguezgaliano V F，Chicarivas M.Evaluation of Different Machine Learning Methods for Land Cover Mapping of a Mediterranean Area Using Multi-seasonal Landsat Images and Digital Terrain Models［J］.International Journal of Digital Earth，2014（6）.

［24］Valiant L G.A Theory of the Learnable［J］.Communications of the ACM，1984（11）.

［25］ Friedman J H.Greedy Function Approximation∶A Gradient Boosting Machine［J］.Annals of statistics，2001（5）.

［26］ Amilon H.A Neural Network versus Black-scholes∶A Comparison of Pricing and Hedging Performances［J］.Journal of Forecasting，2001（4）.

［27］ Lajbcygier P R，Connor J T.Improved Option Pricing Using Artificial Neural Networks and Bootstrap Methods［J］.International Journal of Neural Systems，1997（4）.

［28］王平，王垣蘇，黃運成.支持向量回歸方法的跳躍擴散匯率期權(quán)定價［J］.管理工程學(xué)報，2011（1）.

［29］Bakshi G，Cao C，Chen Z.Empirical Performance of Alternative Option Pricing Models［J］.The Journal of Finance，1997（5）.

［30］Gradojevic N，Gen?ay R，Kukolj D.Option Pricing with Modular Neural Networks［J］.IEEE Transactions on Neural Networks，2009（4）.

F224

A

1672-3805（2016）03-0020-12

2016-04-23

國家自然科學(xué)基金項目“基于商品價格聯(lián)動視角的多商品期貨定價研究：中國市場的實證”（71471119）；教育部社科研究基金規(guī)劃項目“網(wǎng)絡(luò)輿論、市場效應(yīng)與金融穩(wěn)定機制創(chuàng)新”（12JJD790026）；中國金融發(fā)展與金融安全協(xié)同創(chuàng)新中心基金項目“基于經(jīng)濟結(jié)構(gòu)協(xié)調(diào)的金融危機預(yù)警研究”（JRXT201601）

周玉琴（1990-），女，西南財經(jīng)大學(xué)金融智能與金融工程四川省重點實驗室博士研究生，研究方向為金融風(fēng)險管理、金融工程。