قیمت‌گذاری اختیار معامله سهام با بهره‌گیری از یادگیری عمیق و شبکه‌های بازگشتی دروازه‌ای

نویسندگان

  • مهرداد حیدری گروه مهندسی صنایع، دانشگاه صنعتی ارومیه، ارومیه، ایران.
  • مرتضی مرادی * گروه مهندسی صنایع، دانشگاه صنعتی ارومیه، ارومیه، ایران.

https://doi.org/10.22105/mmaa.v3i2.125

چکیده

هدف: قیمت‌گذاری دقیق اختیار معامله یکی از مهم‌ترین مسایل در مهندسی مالی و مدیریت سرمایه‌گذاری است، زیرا بر تصمیمات پوشش ریسک، ارزش‌گذاری دارایی‌ها و کارایی بازارهای مالی تاثیر مستقیم دارد. مدل‌های کلاسیک قیمت‌گذاری اختیار معامله، به‌ویژه مدل بلک-شولز، اگرچه کاربرد گسترده‌ای دارند، اما بر مجموعه‌ای از فرضیات محدودکننده استوار هستند که در بسیاری از شرایط واقعی بازار برقرار نیستند. در سال‌های اخیر، روش‌های مبتنی بر یادگیری عمیق به دلیل توانایی در استخراج الگوهای پیچیده و غیرخطی از داده‌های مالی مورد توجه قرار گرفته‌اند. بر این اساس، پژوهش حاضر با هدف بررسی قابلیت شبکه‌های بازگشتی دروازه‌ای در قیمت‌گذاری اختیار معامله سهام و مقایسه عملکرد آن‌ها با مدل بلک-شولز انجام شده است.

روش‌شناسی پژوهش: این پژوهش از نوع کاربردی بوده و بر داده‌های اختیار معامله خرید اروپایی سهام شرکت ایران‌خودرو متمرکز است. داده‌های روزانه سهام و قراردادهای اختیار معامله طی دوره فروردین تا آذر 1402 گردآوری شدند. پس از پیش‌پردازش داده‌ها، مجموعه‌ای از شاخص‌های فنی شامل میانگین متحرک نمایی، شاخص همگرایی-واگرایی میانگین متحرک، شاخص قدرت نسبی و نوسان‌پذیری تاریخی استخراج شد. سپس داده‌ها با استفاده از روش پنجره متحرک ساختاردهی و سه معماری مختلف شبکه بازگشتی دروازه‌ای شامل مدل‌های تک‌لایه، دولایه و سه‌لایه توسعه یافت. عملکرد مدل‌ها با استفاده از معیارهای خطای پیش‌بینی و ضریب تعیین ارزیابی و با نتایج مدل بلک-شولز مقایسه شد.

یافته‌ها: نتایج نشان داد که مدل مبتنی بر شبکه بازگشتی دروازه‌ای تک‌لایه بهترین عملکرد را در میان تمامی مدل‌های بررسی‌شده ارایه می‌کند و از نظر دقت پیش‌بینی از مدل بلک-شولز نیز برتر است. همچنین مشاهده شد که افزایش عمق شبکه و استفاده از معماری‌های دولایه و سه‌لایه منجر به بهبود عملکرد نمی‌شود و در برخی معیارها حتی نتایجی ضعیف‌تر از مدل مرجع به همراه دارد. یافته‌ها بیانگر آن است که در مساله قیمت‌گذاری اختیار معامله و با حجم داده‌های مورد مطالعه، مدل‌های ساده‌تر می‌توانند توانایی بیشتری در استخراج الگوهای موثر و تعمیم‌پذیری مناسب داشته باشند.

اصالت/ارزش افزوده علمی: ارزش افزوده اصلی این پژوهش در ارزیابی تجربی کارایی شبکه‌های بازگشتی دروازه‌ای برای قیمت‌گذاری اختیار معامله در بازار سرمایه ایران و مقایسه آن‌ها با یکی از شناخته‌شده‌ترین مدل‌های مالی است. نتایج مطالعه نشان می‌دهد که روش‌های یادگیری عمیق می‌توانند به‌عنوان مکمل یا جایگزین رویکردهای کلاسیک در مسائل ارزش‌گذاری ابزارهای مالی مورد استفاده قرار گیرند. این یافته‌ها می‌تواند به تحلیلگران مالی، سرمایه‌گذاران و پژوهشگران در توسعه مدل‌های هوشمند قیمت‌گذاری و تصمیم‌گیری در بازارهای مالی کمک کند.

کلمات کلیدی:

قیمت‌گذاری اختیار معامله، یادگیری ژرف، واحد بازگشتی دروازه‌ای، بلک-شولز، سری‌های زمانی مالی، هوش مصنوعی

مراجع

  1. [1] Sisodia, N., & Gor, R. (2021). A study on the effect of historical volatility using two option pricing models. IOSR journal of economics and financce (IOSR-JEF), 12(1), 19–26. https://doi.org/10.9790/5933-1201031926
  2. [2] Lin, L., Wang, M., Cheng, H., Liu, R., & Chen, F. (2023). OptionNet: A multiscale residual deep learning model with confidence interval to predict option price. The journal of finance and data science, 9, 100105. https://doi.org/10.1016/j.jfds.2023.100105
  3. [3] Schneider, J., & Helms, N. (2021). Early exercise of American call options under negative interest rates. https://dx.doi.org/10.2139/ssrn.3854489
  4. [4] Liang, L., & Cai, X. (2022). Time-sequencing European options and pricing with deep learning–Analyzing based on interpretable ALE method. Expert systems with applications, 187, 115951. https://doi.org/10.1016/j.eswa.2021.115951
  5. [5] Wang, C., Chen, Y., Zhang, S., & Zhang, Q. (2022). Stock market index prediction using deep Transformer model. Expert systems with applications, 208, 118128. https://doi.org/10.1016/j.eswa.2022.118128
  6. [6] Arin, E., & Ozbayoglu, A. M. (2022). Deep learning based hybrid computational intelligence models for options pricing. Computational economics, 59(1), 39–58. https://doi.org/10.1007/s10614-020-10063-9
  7. [7] Funahashi, H. (2021). Artificial neural network for option pricing with and without asymptotic correction. Quantitative finance, 21(4), 575–592. https://doi.org/10.1080/14697688.2020.1812702
  8. [8] Wysocki, M., & Ślepaczuk, R. (2022). Artificial neural networks performance in WIG20 index options pricing. Entropy, 24(1). https://doi.org/10.3390/e24010035
  9. [9] Wang, W., & Xu, J. (2024). Deep learning option price movement. Risks, 12(6), 1-17. https://doi.org/10.3390/risks12060093
  10. [10] Shvimer, Y., & Zhu, S. P. (2024). Pricing options with a new hybrid neural network model. Expert systems with applications, 251. https://doi.org/10.1016/j.eswa.2024.123979
  11. [11] Schröer, C., Kruse, F., & Gómez, J. M. (2021). A systematic literature review on applying CRISP-DM process model. Procedia computer science, 181, 526–534. https://doi.org/10.1016/j.procs.2021.01.199
  12. [12] Zhang, Y., & Tumibay, G. M. (2024). Stock price prediction based on the Bi-GRU-attention model. Journal of computer and communications, 12(4), 72–85. https://doi.org/10.4236/jcc.2024.124007
  13. [13] Muhammad, A. U., Yahaya, A. S., Kamal, S. M., Adam, J. M., Muhammad, W. I., & Elsafi, A. (2020). A hybrid deep stacked lstm and gru for water price prediction. 2020 2nd international conference on computer and information sciences (ICCIS) (pp. 1–6). IEEE. https://doi.org/10.1109/ICCIS49240.2020.9257651
  14. [14] Black, F., & Scholes, M. (1973). The pricing of options and corporate liabilities. Journal of political economy, 81(3), 637–654. https://doi.org/10.1086/260062
  15. [15] Merton, R. C. (1973). Theory of rational option pricing. The bell journal of economics and management science, 4(1), 141–183. https://doi.org/10.1142/5860
  16. [16] Hull, J. C. (2018). Risk management and financial institutions. Wiley & Sons. https://www.wiley.com/en-fr/shop/general-finance-investments/risk-management-and-financial-institutions-6th-edition-p-9781119932482

دانلود

چاپ شده

2026-09-17

شماره

دوره 3 شماره 2 (2026): مدیریت: مدلسازی، تحلیل‌ها و کاربردها

نوع مقاله

مقالات شماره جاری

ارجاع به مقاله

حیدری م., & مرادی م. (2026). قیمت‌گذاری اختیار معامله سهام با بهره‌گیری از یادگیری عمیق و شبکه‌های بازگشتی دروازه‌ای. مدیریت: مدلسازی، تحلیل‌ها و کاربرد, 3(2), 123-130. https://doi.org/10.22105/mmaa.v3i2.125
Crossref
Scopus
Google Scholar
Europe PMC

مقالات مشابه

##common.pagination##

همچنین برای این مقاله می‌توانید شروع جستجوی پیشرفته مقالات مشابه.