پیشبینی قیمتگذاری قراردادهای آتی براساس شاخص نوسان VIX به روش یادگیری ماشین در بازار سرمایه ایران
محورهای موضوعی : مهندسی مالیسیمین راجی زاده 1 * , سپیده راجی زاده 2
1 - گروه حسابداری، دانشکده مدیریت و حسابداری، دانشگاه پیام نور، تهران، ایران
2 - گروه حسابداری، دانشگاه ملی مهارت، تهران، ایران
کلید واژه: قیمتگذاری آتی, شاخص نوسان VIX , روشهای یادگیری ماشین,
چکیده مقاله :
امروزه در بازارهای معتبر مالی دنیا، ابزارهای مدیریت ریسک بهخصوص مشتقات مالی شامل قراردادهای آتی و اختیار معامله از اهمیت بسیار زیادی برخوردارند. درصورتیکه قیمتگذاری برگ اختیار معامله به نحو صحیحی برآورد شود، با به حداقل رساندن ریسک ناشی از آن، سرمایهگذاران بیشتری راغب به سرمایهگذاری در برگ اختیار معامله میباشند. پژوهش حاضر نشان میدهد که ادغام شاخص VIX با روشهای یادگیری ماشین، بهویژه در محیطهای پرنوسان مانند بازار ایران، میتواند به عنوان یک ابزار تحلیلی قدرتمند برای پیشبینی قیمتگذاری قراردادهای آتی و مدیریت ریسک بکار آید. هدف اصلی، کاهش خطای پیشبینی و بهبود دقت در مدیریت ریسک با بهرهگیری از مدلهای پیشرفته یادگیری ماشین است. یادگیری ماشین با استفاده از الگوریتمهای پیشرفته، میتواند الگوهای پیچیده موجود در دادههای تاریخی بازار را شناسایی و از آنها برای پیشبینی قیمتگذاری قراردادهای آتی استفاده کند. در نتیجه پیشبینی قیمتگذاری قراردادهای آتی بر اساس شاخص VIX و استفاده از یادگیری ماشین، یک روش کارآمد و نوین برای بهبود دقت پیشبینیها و مدیریت ریسک در بازار سرمایه ایران تلقی می شود. دادههای مورد استفاده، شامل اطلاعات روزانه اختیار معامله سکه طلا در بورس کالای ایران طی بازه زمانی ۱۳۹۲ تا ۱۴۰۲ است. این دادهها به سه دوره آزمایشی (۱۳۹۲-۱۳۹۷)، اعتبارسنجی (۱۳۹۸) و آزمایش (۱۳۹۹-۱۴۰۲) تقسیم شدهاند. نتایج نشان میدهد که مدلهای یادگیری ماشین، به ویژه مدل MLP با خطای ۲۸٪، بهترین عملکرد را در پیشبینی قیمتگذاری قراردادهای آتی دارند. استفاده از این روشها بهطور معناداری خطای اندازهگیری را کاهش داده و ابزاری کارآمد برای تصمیمگیری در شرایط عدم اطمینان بازار فراهم میسازد. همچنین، شاخص VIX به عنوان معیاری کلیدی برای ارزیابی نوسانات بازار تأیید شد. توسعه مدلهای ترکیبی و استفاده از دادههای با فرکانس بالا میتواند به افزایش چشمگیر دقت پیشبینیها در آینده کمک کند.
Today, in the world's reputable financial markets, risk management tools, especially financial derivatives, including futures and options, are of great importance. If the pricing of options is estimated correctly, by minimizing the risk involved, more investors will be willing to invest in options.The present study shows that integrating the VIX index with machine learning methods, especially in volatile environments such as the Iranian market, can serve as a powerful analytical tool for predicting futures pricing and risk management. The main goal is to reduce forecast error and improve accuracy in risk management by using advanced machine learning models. Machine learning, using advanced algorithms, can identify complex patterns in historical market data and use them to predict futures pricing. As a result, predicting futures pricing based on the VIX index and using machine learning is an efficient and innovative method for improving the accuracy of forecasts and risk management in the Iranian capital market. The data used includes daily gold coin option trading information on the Iran Commodity Exchange during the period 1392 to 1402. The data are divided into three periods: pilot (2014-2019), validation (2020), and testing (2021-2024). The results show that machine learning models, especially the MLP model with an error of 28%, perform best in predicting futures prices. The use of these methods significantly reduces measurement error and provides an efficient tool for decision-making under conditions of market uncertainty. Also, the VIX index was confirmed as a key measure for assessing market volatility. The development of hybrid models and the use of high-frequency data can help further improve the accuracy of forecasts in the future.
راجی زاده، سیمین. (1401). ارزیابی شاخص نوسان VIX در بازار سرمایه ایران و تأثیر قیمتگذاری آتی آن با استفاده از مدل گارو. مهندسی مالی و مدیریت اوراق بهادار، 52(3): 60-80.
References
Bai, Y . Cai, C,X.(2024). Predicting VIX with adaptive machine learning. Quantitative Finance.1-18
Bardgett, C., Gourier, E., Leippold, M., (2019). Inferring volatility dynamics and risk premia from the S&P 500 and VIX markets. Journal of Financ. Econ. 131, 593–618.
Guo, S., & Liu, Q. (2020). Efficient out‐of‐sample pricing of VIX futures. The Journal of Derivatives, 27(3), 126–139.
Hortúa, H,J Mora-Valencia, A.(2024). Forecasting VIX using Bayesian deep learning. International Journal of Data Science and Analytics.1-22
Huang, Z., Tong, C., Wang, T., (2019). VIX Term structure and VIX futures pricing with realized volatility. Journal of Futures Market.
Lin, Y.-.N., 2007. Pricing VIX futures: evidence from integrated physical and risk-neutral probability measures. J. Futures Mark. 27 (12), 1175–1217.
Mahinda Mailagaha ,K ., Christoph ,L, Pasi Luukka, Jari ,P.(2022). Machine learning techniques and data for stock market forecasting: A literature review. Expert Systems With Applications.197(1), 1-41
Qiao,G . Jiang,G.(2023). VIX futures pricing based on high‐frequency VIX:Ahybrid approach combining SVR with parametric models.Wley.1238-1259
Rajizadeh, ,S. (2023). Evaluation of VIX Volatility Index in Iranian Capital Market and its Future Pricing Impact Using Garou Model. Financial Engineering and Securities Management, 52(3): 60-80. (In Persian).
Whaley, R. E. (1993). Derivatives on market volatility: Hedging tools long overdue. The Journal of Derivatives, 1(1), 71–84.
Yang, X., Wang, P., (2018). VIX futures pricing with conditional skewness. Journal of Future. Market. 38, 1126–1151.
Zhu, Y., & Zhang, J. E. (2007). Variance term structure and VIX futures pricing. International Journal of Theoretical and Applied Finance,10(1), 111–127.
Zhu, S. P., & Lian, G. H. (2012). An analytical formula for VIX futures and its applications. Journal of Futures Markets, 32(2), 166–190.