NEURAL AND TIME-SERIES APPROACHES FOR PRICING WEATHER DERIVATIVES: PERFORMANCE AND REGIME ADAPTATION USING SATELLITE DATA
创建于 更新于
摘要
本报告利用1981-2023年NASA POWER卫星数据，比较了传统时序模型与神经网络在天气衍生品温度和降水定价中的表现。神经网络显著降低了温度预测均方误差(MSE)，尤其在多伦多和芝加哥显现出经济意义的期权价值差异。降水方面，采用复合泊松-伽马模型，结合最大似然估计(分别按季节)与卷积神经网络(CNN)实现参数自适应，捕捉季节异质性和非独立同分布依赖结构，且通过伽马和公式实现解析期权定价。神经网络虽使参数估计精度下降，但提高了捕获实际气候模式的能力，提升了定价准确性与模型鲁棒性，具备重要的金融和气象应用价值。[page::0][page::1][page::4][page::11][page::19][page::20]
