MLP, XGBoost, KAN, TDNN, and LSTM-GRU Hybrid RNN with Attention for SPX and NDX European Call Option Pricing
创建于 更新于
摘要
本报告基于2015-2023年S&P500与NASDAQ100欧式看涨期权数据，比较Black-Scholes模型与多种机器学习模型（MLP、XGBoost、TDNN、RNN及基于Kolmogorov-Arnold定理的KAN）在期权定价上的表现。实验表明，Black-Scholes模型因其假设限制表现较弱，所有机器学习模型均显著优于其预测准确度。特别地，融合自注意力机制的LSTM-GRU混合RNN模型表现最佳，显著提高了定价精度与泛化能力。此外，KAN模型也优于TDNN与MLP，展现出其对多变量函数复杂结构的有效刻画能力。多模型的误差表现互补，提示集成策略可能进一步提升定价效果。报告还分析了模型在不同标的、价内价外及时间结构上的表现，为量化期权定价和风险管理提供了重要技术路径 [page::0][page::12][page::18][page::35][page::45][page::63][page::67]
