ML in einem Gaußscher Prozess zur Vorhersage von Preisen von Optionen, Volatilitäten und Griechen [Teil 2]: Anwendung

Wie können ML-gesteuerte Gaußprozesse als schnelle und effiziente Alternative zu herkömmlichen Preismodellen eingesetzt werden?

In dem Artikel [Ein Gaußscher Prozess zur Vorhersage von Preisen von Optionen, Volatilitäten und Griechen - Theoretische Aspekte - Teil 1] wird der ML-Ansatz Gaussian Process Regression (GPR) erklärt, der in der Arbeit "Machine Learning for Quantitative Finance: Fast Derivative Pricing, Hedging and Fitting" von Jan De Spiegeleer, Dilip B. Madan, Sofie Reyners und Wim Schoutens verwendet wurde und zu sehr guten Ergebnissen geführt hat.

Dieses ML-Modell kann sehr effizient zum Pricing von Derivaten und komplexen Instrumenten verwendet werden. Ein deutlicher Performancegewinn kommt hierbei im Gegensatz zu herkömmlichen Lösungsverfahren (numerische Berechnung in Gleichungsverfahren oder bei Monte Carlo Verfahren) durch eine starke Reduktion der Pricing-Dauer zum Tragen. Dabei können Prozesse wie bspw. die Value at Risk Berechnung deutlich beschleunigt werden.

Im folgenden Karussell wird das GPR-gestützte Pricing ausgewählter Instrumente aus dem o.g. Paper näher erläutert.