Please use this identifier to cite or link to this item:
http://hdl.handle.net/10071/29942
Author(s): | Coutinho, Raquel Lopes |
Advisor: | Dias, José Carlos Gonçalves Ruas, João Pedro Bento |
Date: | 25-Oct-2023 |
Title: | Avaliação de opções através de métodos de machine learning |
Reference: | Coutinho, R. L. (2023). Avaliação de opções através de métodos de machine learning [Dissertação de mestrado, Iscte - Instituto Universitário de Lisboa]. Repositório Iscte. http://hdl.handle.net/10071/29942 |
Keywords: | Machine learning Avaliação de opções Índice Standard and Poor's -- S&P 500 Option pricing |
Abstract: | Esta dissertação estuda a performance dos métodos de machine learning mais populares
na avaliação do preço de opções. Os méetodos explorados nesta dissertação são o Support
Vector Regression, o Random Forest, o XGBoost, o LightGBM e o Neural Networks.
De forma a existir um elo de comparação, estudou-se de forma equivalente os modelos
teóricos Black-Scholes-Merton e Corrado e Su aplicando tanto parâmetros históricos como
implícitos. A análise foi realizada em opções de compra europeias e mensais do índice
S&P500. Esta avaliação teve por base o artigo [1]. This dissertation investigates the performance of the most popular machine learning methods in the evaluation of options prices. The methods explored in this study encompass Support Vector Regression, Random Forest, XGBoost, LightGBM and Neural Networks. To establish a basis for comparison, an equivalent study of the theoretical models, Black-Scholes-Merton and Corrado and Su, was conducted, incorporating both historical and implied parameters. The analysis focused on European monthly call options of the S&P500 index. This evaluation was founded upon the article by [1]. |
Department: | Departamento de Finanças |
Degree: | Mestrado em Matemática Financeira |
Peerreviewed: | yes |
Access type: | Restricted Access |
Appears in Collections: | T&D-DM - Dissertações de mestrado |
Files in This Item:
File | Description | Size | Format | |
---|---|---|---|---|
master_raquel_lopes_coutinho.pdf Restricted Access | 432,06 kB | Adobe PDF | View/Open Request a copy |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.