| Title: | Oceňování v modelech stochastické volatility založené na hlubokém učení |
| Other Titles: | Deep learning-based pricing in stochastic volatility models |
| Authors: | Báčová, Veronika |
| Advisor: | Pospíšil Jan, Ing. Ph.D. |
| Referee: | Šedivá Blanka, RNDr. Ph.D. |
| Issue Date: | 2023 |
| Publisher: | Západočeská univerzita v Plzni |
| Document type: | diplomová práce |
| URI: | http://hdl.handle.net/11025/53796 |
| Keywords: | hluboké učení;neuronové sítě;hestonův model;oceňování opcí |
| Keywords in different language: | deep learning;neural networks;heston model;option pricing |
| Abstract: | Diplomová práce je zaměřena na oceňování opcí v modelech stochastické volatility pomocí neuronových sítí. Nejprve jsou vygenerovány ceny opcí v Hestonově modelu pomocí Heston-Lewisovy formule. Pomocí těchto cen je natrénovaná neuronová síť, která nejprve odhadne parametry Hestonova modelu a poté z těchto parametrů zpět odhadne ceny opcí. Natrénovaná neuronová síť je také použita na odhad cen opcí pro reálná tržní data. |
| Abstract in different language: | This thesis is focused on option pricing in stochastic volatility models using neural networks. First, option prices in the Heston model are generated using the Heston-Lewis formula. A neural network is then trained using these prices to first estimate the parameters of the Heston model and then back-estimate option prices from these parameters. The trained neural network is also used to estimate option prices for real market data. |
| Rights: | Plný text práce je přístupný bez omezení |
| Appears in Collections: | Diplomové práce / Theses (KMA) |
Files in This Item:
| File | Description | Size | Format | |
|---|---|---|---|---|
| Bacova_DP_2023.pdf | Plný text práce | 5,52 MB | Adobe PDF | View/Open |
| PO_Bacova.pdf | Posudek oponenta práce | 886,77 kB | Adobe PDF | View/Open |
| PV_Bacova.pdf | Posudek vedoucího práce | 693,83 kB | Adobe PDF | View/Open |
| P_Bacova.pdf | Průběh obhajoby práce | 205,08 kB | Adobe PDF | View/Open |
Please use this identifier to cite or link to this item:
http://hdl.handle.net/11025/53796Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.