The simplest option valuation genetic algorithm model – NASDAQ case study

Małecka, Joanna; Vila Biglieri, Jorge

doi:10.21008/j.0239-9415.2021.083.04

Artykuł - szczegóły

Tytuł artykułu

The simplest option valuation genetic algorithm model – NASDAQ case study

Autorzy

Małecka Joanna , Vila Biglieri Jorge

Treść / Zawartość

Pełne teksty:

Pobierz

Identyfikatory

DOI

10.21008/j.0239-9415.2021.083.04

Warianty tytułu

Najprostszy model algorytmu genetycznego wyceny opcji - studium przypadku NASDAQ

Języki publikacji

Abstrakty

The capital market is the meeting place of supply and demand. The profit orientation possible through the stock market stimulates two processes: 1) buying or 2) selling financial instruments – a long or short option. Investing is a process accompanied by fluctuations – often of <1% per day. Hence, individual investors look for alternatives, which include deriv-atives that fluctuate up to 100% per day. Therefore, the need was perceived to develop an instrument – a valuation tool – to help individual investors make investment decisions. The Black-Scholes Model (BSM) uses six independent variables. It was therefore decided to com-pile an alternative valuation model based on the Genetic Algorithm (GA) on the strength of companies listed on NASDAQ: FaceBook, Apple, Amazon, Netflix and Google (so-called FAANG companies), using Eureqa GA software. The purpose of this paper is to present the results of a study that attempts to develop a more efficient option pricing model by comparing the accuracy of the Genetic Algorithm (GA) and the Black-Scholes Model (BSM) and evaluating gaps in underlying price movements. The comparison of the genetic algorithm with the traditional Black-Scholes option pricing model led to the development of a new linear investment model – investors can make predictions using one variable – the share price, which should significantly optimise strategic investment decisions. The presented model is characterised by higher investment efficiency, especially important for individual investors, who usually are not able to achieve the profit scale effect based on the value of a retail investment portfolio.

Rynek kapitałowy jest miejscem spotkania podaży i popytu. Orientacja na zysk, możliwy do osiągnięcia za pośrednictwem giełdy stymuluje dwa procesy: 1) kupno instrumentów finansowych lub 2) ich sprzedaż, czyli długą lub krótką opcję. Inwestowanie to proces, któremu towarzyszą wahania – często na poziomie <1% dziennie. Stąd inwestorzy indywidualni poszukują rozwiązań alternatywnych, do których należą instrumenty pochodne, dziennie oscylujące nawet o 100%. Dlatego dostrzeżono potrzebę opracowania instrumentu – narzędzia wyceny – ułatwiającego inwestorom indywidualnym podejmowanie decyzji inwestycyjnych. Wykorzystywany model Blacka-Scholesa (BSM) stosuje sześć zmiennych niezależnych. Zdecydowano skompilować alternatywny model wyceny bazujący na algorytmie genetycznym (GA) na podstawie indeksów spółek notowanych na NASDAQ: Facebook, Apple, Amazon, Netflix i Google (tzw. spółki FAANG), przy zastosowaniu oprogramowania Eureqa GA. Celem artykułu jest prezentacja wyników badań będących próbą opracowania skuteczniejszego modelu wyceny opcji przez porównanie dokładności algorytmu genetycznego (GA) i Blacka-Scholesa (BSM) oraz ewaluacji luk w ruchach cen instrumentów bazowych. Komparacja algorytmu genetycznego z tradycyjnym modelem wyceny opcji Blacka-Scholesa pozwoliła na opracowanie nowego modelu inwestycyjnego o charakterze liniowym – inwestorzy mogą dokonywać prognoz za pomocą tylko jednej zmiennej – ceny akcji, co znacznie powinno zoptymalizować podejmowanie strategicznych decyzji inwestycyjnych, bowiem presja zakupowa powoduje szybki wzrost cen instrumentów bazowych, co implikuje niechęć właścicieli opcji do sprzedaży instrumentów pochodnych w momentach wzrostów ujemnych. Prezentowany model charakteryzuje większa skuteczność inwestycyjna, szczególnie istotna dla indywidualnych inwestorów, którzy zazwyczaj nie są w stanie osiągnąć efektu skali zysku na podstawie wartości detalicznego portfela inwestycyjnego.

Słowa kluczowe

NASDAQ options genetic algorithms stock market Black-Scholes model

NASDAQ opcje algorytmy genetyczne giełda model Blacka-Scholesa

Wydawca

Wydawnictwo Politechniki Poznańskiej

Czasopismo

Zeszyty Naukowe Politechniki Poznańskiej. Organizacja i Zarządzanie

Rocznik

2021

Tom

Nr 83

Strony

63--80

Opis fizyczny

Bibliogr. 37 poz., rys., tab.

Twórcy

autor

Małecka Joanna

Politechnika Poznańska, Wydział Inżynierii Zarządzania, Instytut Zarządzania i Systemów Informacyjnych, Zakład Przedsiębiorczości i Komunikacji w Biznesie

https://orcid.org/0000-0002-5017-0417

autor

Vila Biglieri Jorge

Economics and Accounting Department, University of Vigo, Spain

https://orcid.org/0000-0002-7684-4096

Bibliografia

1. Aboura, S. (2013). Empirical performance study of alternative option pricing models: An application to the French option market. Journal of Stock Forex Trading, 2, 1-10.
2. Ahn, W., Lee, H.S., Ryou, H. (2020). Asset allocation model for a Robo-advisor using the financial market instability index and genetic algorithms. Sustainability, 11(15), 4100.
3. Bakshi, G., Cao, C., Chen, Z. (1997). Empirical performance of alternative option pricing models. Journal of Finance, 52, 2003-2049.
4. Batogna, R.G., Atangana, A. (2019). Generalised class of time fractional Black Scholes equation and numerical analysis. Discrete and Continuous Dynamical Systems-Series S, 12(3), 435-445. Retrieved from: https://doi.org/10.3934/dcdss.2019028.
5. Black, F., Scholes, M. (1973). The pricing of options and corporate liabilities. Journal of Political Economy, 81, 637-654.
6. Bradford, C. (2010). Warren Buffett, Black-Scholes, and the valuation of long-dated options. Journal of Portfolio Management Summer 2010, 36(4), 107-111. Retrieved from: https://doi.org/10.3905/jpm.2010.36.4.107.
7. Buffett, W. (2002). Berkshire Hathaway Annual Financial Report, 16. Retrieved from: https://www.berkshirehathaway.com/2002ar/2002ar.pdf.
8. Chang, C.F., Sheu, B.I., Thomas, J. (1993). Multilayered backpropagation neural networks for finance analysis. World Congress on Neural Networks (WCNN 93, Portland), Portland, July 11-15.
9. Chen, S.-H., Lee, W.-C. (1997). Option pricing with genetic algorithms, Separating out-of-the-money from in-the-money. Paper presented at the IEEE International Conference on Intelligent Processing Systems, Beijing, China, October 28-31, 110-115.
10. Chowdhury, R., Mahdy, M.R.C., Alam, T.N. (2020). Predicting the stock price of frontier markets using machine learning and modified Black-Scholes option pricing model. Physica A: Statistical Mechanics and its Applications, 555, 124444.
11. Chowdhury, R., Rahman, M.A., Rahman, M.S. (2020). An approach to predict and forecast the price of constituents and index of cryptocurrency using machine learning. Physica A-Statistical Mechanics and Its Applications, 551, 124569.
12. Coats, P.K., Fant, L.F. (1993). Recognizing financial distress patterns using a neural-network tool. Financial Management, 22(3), 155-214.
13. Griffith, J.S. (1966). Modelling Neural Networks By Aggregates Of Interacting Spins. Proceedings of The Royal Society of London Series A-Mathematical And Physical Sciences, 295, 1442, 350-354.
14. Herzog, B., Osamah, S. (2019). Reverse engineering of option pricing: An AI application. International Journal of Financial Studies, 7(4), 68.
15. Holland, J.H. (1975). Adaptation in Natural and Artificial Systems. Ann Arbor: The University of Michigan Press.
16. Huang, S.C., Chiou, C.C., Chiang, J.T., Wu, C.F. (2020). A novel intelligent option price forecasting and trading system by multiple kernel adaptive filters. Journal of Computational and Applied Mathematics, 369, 112560.
17. Hutchinson, J.M., Lo, A.W., Poggio, T. (1994). A nonparametric approach to pricing and hedging derivative securities via learning networks. Journal of Finance, 49, 851-889.
18. Karacor, A.G., Erkan, T.E. (2020). Exploiting visual features in financial time series prediction. International Journal of Cognitive Informatics and Natural Intelligence, 14(2), 61-76.
19. Lasvignes, C. (2020). Radio program emitted July, 8th. Tiempo de inversión. Radio Intereconomía. Retrieved from: https://intereconomia.com/directo.
20. MacKenzie, D., Millo, Y. (2003). Constructing a market, performing theory: The historical sociology of a financial derivatives exchange. American Journal of Sociology, 109(1), 107-145. Retrieved from: https://doi.org/10.1086/374404.
21. Małecka, J. (2017a). Regulation of the Warsaw Stock Exchange: History and Operating Rules. Journal of Economics World, 5, 1, 34-43. Retrieved from: http://dx.doi.org/ 10.17265/2328-7144/2017.01.004.
22. Małecka, J. (2017b). Alternative Securities Markets as Financing Sources for SMEs – Selected Aspects of AIM and NC. Contemporary Issues in Business, Management and Education, 393-401.
23. Małecka, J. (2016). Alternative Securities Markets in Poland and the United Kingdom. Problemy Zarządzania, 14, 4(63), 1, 11-24. Retrieved from: http://dx.doi.org/10.7172/1644-9584.63.1.
24. Martin, N.M. (1956). On the role of neural network models. IRE Transactions on Medical Electronics, 7, 47.
25. Merton, R.C. (1976). Option pricing when underlying stock returns are discontinuous. Journal of Financial Economics, 3, 125-144.
26. Mitchell, M. (1996). An introduction to genetic algorithms. Complex Adaptive Systems. Cambridge: MIT Press.
27. Petropoulos, A., Siakoulis, V., Stavroulakis, E. (2020). Predicting bank insolvencies using machine learning techniques. International Journal of Forecasting, 36(3), 1092-1113.
28. Shipley, T. (1966). Mach bands: Quantitative studies on neural networks in the retina. In: F. Ratliff (Ed.) (p. 365). Holden-Day.
29. Silver, D., Huang, A., Maddison, C.J., Guez, A., Sifre, L., van den Driessche, G., Schrittwieser, J., Antonoglou, I., Panneershelvam, V., Lanctot, M. (2016). Mastering the game of Go with deep neural networks and tree search. Nature, 529, 484-503.
30. Silver, D., Hubert, T., Schrittwieser, J., Antonoglou, I., Lai, M., Guez, A., Lanctot, M., Sifre L., Kumaran, D., Graepel, T., (2018). A general reinforcement learning algorithm that masters Chess, Shogi, and Go through self-play. Science, 362, 1140-1144.
31. Silver, D., Hubert, T., Schrittwieser, J., Antonoglou, I., Lai, M., Guez, A., Lanctot, M., Sifre, L., Kumaran, D., Graepel, T. (2017) Mastering Chess and Shogi by self-play with a general reinforcement learning algorithm. Computer Science.
32. Song, H., Han, S.K., Jeong, S.H., (2019). Using genetic algorithms to develop a dynamic guaranteed option hedge system. Sustainability, 11(15), 4100.
33. Vila Biglieri, J.E., Małecka, J. (2019). Learning by Doing Nasdaq Face Book Experience – Case Study of Facebook Strangles. Krakow. Horizons of Politics, 10, 31, 81-101.
34. Yuandong, T., Ma, J., Gong, Q., Sengupta, S., Zhuoyuan, Ch., Pinkerton, J., Zitnick, C.L. (2019). Open Go: An analysis and open reimplementation of AlphaZero. arXiv:1902.04522. Retrieved from: https://arxiv.org/abs/1902.04522.
35. Yao, J., Li, Y., Tan, C.L. (2000). Option price forecasting using neural networks. Omega, 28, 455-466.
36. Yoon, Y.O., Swales, G., Margavio, T.M. (1993). A comparison of discriminant-analysis versus artificial neural networks. Journal of the Operational Research Society, 44(1), 51-60.
37. Zhang, H., Liu, F., Turner, I. (2016) Numerical solution of the time fractional Black-Scholes model governing European options. Computer & Mathematics with Applications, 71(9), 1772-1783.

Uwagi

Opracowanie rekordu ze środków MEiN, umowa nr SONP/SP/546092/2022 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2022-2023).

Typ dokumentu

Bibliografia

Identyfikator YADDA

bwmeta1.element.baztech-a480a26a-dc6d-4711-95cc-a199db628249