Enhanced Option Pricing Using Deep Learning: A Time-Series Approach with a Combined LSTM-MLP Model

Abstract

Denne artikkelen presenterer en dyplæringstilnærming til opsjonsprising som integrerer et long short-term memory (LSTM) nettverk med et multi-layer perceptron (MLP) netverk for å danne en kombinert LSTM-MLP modell. Den foreslåtte modellen bruker sin LSTM-komponent til å trekke ut tidsserieinformasjon fra de historiske avkastningene til den underliggende eiendelen. Denne informasjonen brukes deretter av MLP-komponenten, sammen med opsjonskarakteristikkene for en gitt kontrakt, for å bestemme opsjonsprisen. Ved å trene prisingsmodellen på historiske avkastninger, gjør vi det mulig for den å trekke ut tidsserieinformasjon, inkluderer volatilitet. Dette kan erstatte behovet for et eksplisitt volatilitetsmål som kreves av etablerte metoder for opsjonsprising.

Vi tester empirisk den foreslåtte LSTM-MLP prismodellen ved å bruke den på europeiske kjøpsopsjoner på S&P 500-indeksen fra 2015 til 2022. Ved å bruke rullerende vindu, simulerer vi virkelighetsnær implementering med månedlig trening. Våre resultater viser at LSTM-MLP modellen overgår benchmark-modeller i prisingsnøyaktighet, prediktiv ytelse og risikojustert avkastning. Dette demonstrerer modellens potensielle praktiske nytte som en prisingsreferanse for markedsdeltakere eller som handelssignaler for opsjonsinvestorer.

This paper presents a deep learning approach to option pricing that integrates a long short-term memory (LSTM) network with a multi-layer perceptron (MLP) to form a combined LSTM-MLP model. The proposed model uses its LSTM component to extract time series information from the historical returns of the underlying asset. This information is then used by the MLP component, along with the option characteristics for a given contract, to determine the option price. By training the pricing model on historical returns, we enable it to extract time series information that encapsulates market dynamics including volatility. This can replace the need for an explicit volatility measure, which is required by established option pricing methods.

We empirically test the proposed LSTM-MLP pricing model by applying it to European call options on the S&P 500 index from 2015 to 2022. Using sliding windows, we simulate real-life deployment with monthly retraining. Our results show that the LSTM-MLP model outperforms benchmark models in pricing accuracy, predictive performance, and risk-adjusted trading returns. This demonstrates its potential usefulness as a valuation benchmark for options market makers or as trading signals for options investors.