RFS 大使机学学习和大数度量期权价

由人民大学用户于2023年10月15日从https://academic.oup.com/rfs/article/36/9/3548/7056660下载 机器学习和大数据的期权回报可预测性 图兰·G·巴厘岛 美国乔治敦大学 HeinerBeckmeyer 德国明斯特大学 马西斯·莫克 瑞士圣加伦大学 FlorianWeigert 瑞士纳沙泰尔大学 根据1996年至2020年期间超过1200万次的观察结果，我们发现，考虑到非线性因素，可以显着提高期权和股票特征在预测未来期权收益方面的样本外表现。非线性机器学习模型在股票期权的多空投资组合中产生了统计上和经济上可观的利润，即使考虑了交易成本。尽管基于期权的特征是最重要的独立预测因子，但当与基于期权的特征一起考虑时，基于股票的措施提供了大量的增量预测能力。最后，我们提供了令人信服的证据，证明期权收益的可预测性是由信息摩擦和期权错误定价驱动的。（JELG10，G12，G13，G14）。 2021年11月8日收到；编辑StefanoGiglio于2023年1月19日做出编辑决定。作者提供了互联网附录，可在牛津大学出版社网站上在线最终发表论文的链接旁边找到。 我们感谢编辑StefaoGiglio和两位匿名裁判的建设性和有见地的评论。我们还受益于与曼努埃尔·安曼、妮可·布兰杰 、曹杰、杰罗姆·德滕普尔、伊利亚斯·菲利波、阿米特·戈亚尔、亚历ft大·肯普夫、塞巴斯蒂安诺·曼赞、安德烈亚斯·纽希尔、塞思·普鲁伊特、AlbertoRossi，PalSöderlid，SebastiaStöcl，YiaS，AllaTimmerma，MartiWallmeier，GofZho，以及由伊利诺伊大学Urbaa-Champaig和密歇根州立大学组织的虚拟衍生品博士研讨会的研讨会参与者，帝国理工学院第14届年度对冲基金会议，德国商业研究学术协会的年度会议，2022年会议，明尼苏达州大学高盛FloriaWeigert还隶属于科隆金融研究中心（CFR），并感谢他们的持续支持。补充数据可以在金融研究评论网站上找到。把信件寄给图兰。 G.巴厘岛，乔治敦大学麦克多诺商学院，华盛顿特区西北第37街和O街 20057，美国；电话：（202）687-5388；电子邮件：turan.bali@georgetown.edu。 金融研究综述36(2023)3548-3602 ©TheAuthor(s)2023。由牛津大学出版社代表金融研究学会出版。保留所有权利。若要获得许可,请发送电子邮件:journals.permissions@oup.com。https://doi.org/10.1093/rfs/hhhhad017AdvanceAccesspublication二月24,2023 由人民大学用户于2023年10月15日从https://academic.oup.com/rfs/article/36/9/3548/7056660下载 期权市场的重要性在过去十年中获得了动力。根据期货业协会（FIA）年度统计审查的数据，全球交易所的期权交易从 2013年94.2亿美元合同至2020年212.2亿美元合同，增速超过125%。这些合约中约有60％写在个股和股票指数上，使股票成为金融市场参与者最受欢迎的基础资产。鉴于期权交易受到投资者的高度欢迎，问题就出现了单个期权收益是否可预测，如果是，哪些特征可以产生这种可预测性。我们的论文致力于回答这些问题。 而经典期权定价模型假设期权是多余的 资产(布莱克和斯科尔斯1973)，最近的研究拒绝了这个想法， 表明期权价格取决于标的物敞口以外的风险 （Buraschi和Jackwerth2001；Garleanu，Pedersen和Poteshman2009）。 作为一个例子，Goyal和Saretto（2009）文件，期权收益的横截面反映了方差风险的溢价，计算为历史已实现波动率和货币隐含波动率之间的差异。在本文中，我们遵循基于特征的资产定价的思想，并将未来的delta对冲期权收益与从期权和股票中提取的事前特征联系起来。当我们通过套期保值程序消除股票价格的方向性影响时，我们专注于内在非线性的风险，并且可能以复杂的方式相互作用。因此，所描述的设置非常适合机器学习模型的应用，这些模型不仅能够捕获大量期权和股票特征之间的非线性和相互作用的影响，而且还可以减轻样本模型过度拟合的风险。 我们研究了单个U的横截面S.股票期权收益使用OptioMetricsIvyDB在1996年1月至2020年12月期间的数据。为了从对标的的定向暴露中抽象出来，我们遵循Bashi和Kapadia（2003），并在市场收盘时对每个期权进行每日delta对冲。我们的主要利息变量是每月超额增量对冲期权收益。在考虑了不同的过滤技术之后，我们的数据集包括超过1200万个期权月的看涨期权和看跌期权回报观察，所有这些都写在单个U上。S.股票。 为了预测未来的期权收益，我们使用了总共273个变量，这些变量由80个基于期权的特征(例如，期权流动性不足、到期时间和隐含做空费用)和193个基于股票的特征组成。1股票特征包括由 1期权特征在三个不同的层面上运作：首先，它们对于相同标的股票的所有期权都是相同的（例如，Goyal和Saretto[2009]的方差风险溢价）。其次，它们可以在单个期权合约层面上进行分类（例如，期权到期日）。第三，它们可以在桶上进行分类 由人民大学用户于2023年10月15日从https://academic.oup.com/rfs/article/36/9/3548/7056660下载 Gree，Had和Zhag（2017）预测了股票收益的横截面，90个行业假人以及其他特征，这些特征已被证明与未来股票收益显着相关（例如L和Mrray[2019]提出的熊贝塔，Vasqez和Xiao[2021]的违约风险以及标的在Eisdorfer，Goyal和Zhdaov[2022]之后的收盘价）。与G，Kelly和Xi（2020）一样，我们应用不同的线性和非线性机器学习模型，根据这些基于期权和股票的特征形成最优预测。包括的线性模型是惩罚回归模型(Ridge、Lasso和Elastic-Net)和降维回归(主成分和偏最小二乘)。非线性模型包括具有和不具有dropot的梯度提升回归树，随机森林和完全连接的前馈神经网络。我们还计算所有线性和所有非线性模型的等权重集合，以组合各个模型的信息内容。 为了评估不同模型对单个期权收益的预测能力，我们遵循Gu、Kelly和Xiu(2020)，并使用样本外R2-统计数据，它对R2针对零超额回报的预测。2为了对不同机器学习模型的预测精度进行成对比较，我们利用了无模型的Diebold和Mariano（1995）检验统计量。 我们的实证结果推进了各个维度中个体期权收益横截面可预测性的知识：首先 ，我们表明预测模型的复杂性很重要。而没有一个线性模型能够产生积极的样本外R2sfortheentiretestingsample,allnearlymodelsdo.Ourresultsreveenthatthebest-performedmodelsaregradient-boostrescriptiontreeswithandwithoutdropout(GBRandDart)producingout-of-sampleR2.26%和1.96%的2s。3此外，所有非线性模型的等加权集合(表示为N-En)在样本外优于所有线性模型的集合(表示为L-En)超过1.7%。R2预测能力。当我们使用Diebold和Mariao（1995）测试比较成对预测准确性时，我们的结果得到了证实：所有非线性模型的集合在5％的水平上胜过所有其他 模型和大多数其他模型，具有统计学意义（这一发现的唯一例外是GBR，Dart和前馈神经网络，它们都产生与非线性集成模型高度相关的预测（相关性达到。 水平（例如，期权桶的交易量），其中桶是基于期权的货币和到期时间形成的。 2此外，我们应用Han等人(2021)的横截面样本外R2，它侧重于模型对横截面期权收益利差的预测效果。 3请注意，这些的大小R2S远高于股票收益横截面的相应数字，例如，Gu、Kelly和Xiu(2020)找到了一个样本外R2ofapproximately0.6%fornearlymachinelearningmodels.Thisdiscrepancymaybedrivedbythedifferent(andshorter)sampleperiodthatweconsidered,whichislimitedbytheavailabilityofinformationonsingleequityoptions. 由人民大学用户于2023年10月15日从https://academic.oup.com/rfs/article/36/9/3548/7056660下载 0.95,0.93和0.77，分别）。与线性模型相比，非线性模型的表现随时间的推移是稳定的，在我们样本的69.8％的月份中，对未来期权收益具有更高的可预测性 （86.当考虑到样品外的横截面时，为0%R2).值得注意的是，我们还发现了2019年12月至2020年12 月期间非线性模型的更好预测，其中COVID-19大流行震撼了全球金融市场。4非线性模型的更高可预测性不仅适用于我们样本中研究的完整期权集，而且适用于不同的期权桶，例如按到期日排序的期权（i。Procedres.，短期和长期期权)和货币性(i。Procedres.、价外期权、价内期权和价内期权)。 其次，我们检查通过机器学习模型的期权收益的可预测性是否可以在经济有利可图的交易策略中被利用。我们的结果表明，基于L-En和N-En对预期收益的预测的多空投资组合产生了经济上显著的回报利差1.30%和2.04%，分别在1%的水平上具有统计学意义。5非线性集合的多空收益价差优于线性集合的收益价差，具有统计学意义的0.每月74%，强调非线性的重要性。这一结果也分别适用于看涨期权和看跌期权的子集，不依赖于收益公告，并且随着时间的推移而持续存在。此外，非线性集合的长短回报价差的盈利能力超过了现有的和新提出的预期回报基准的度量标准 ，并且对已建立的资产定价模型的风险调整具有鲁棒性，考虑随时间变化的杠杆，以及训练窗口长度的变化，回报频率，以及可以交易期权的大型和流动性股票的不同样本。在不同的经济状态下，结果也仍然很重要。 深入挖掘不同价差组合的构成，我们发现短腿比长腿包含更多的看跌期权和短期期权。有趣的是，价差组合的短腿在决定将期权分配到投资组合中的特征的复杂性方面也显示出与其他投资组合的强烈差异。在这个意义上,在短腿中选择的选项由最少数量的特征确定,但是在这些特征中具有最高数量的非线性和相互作用效应。 Ofek,Richardson,andWhitelaw(2004)showsthattransactioncostsintheoptionsmarketarehighandthatthesecostscansubstantiallyreduceeconomicprofitsofoption-basedtradingstrategies.Hence,tounderstand 4Dew-Becker和Giglio（2020）表明，以单个公司的股票期权衡量，COVID-19疫情的横截面不确定性非常高。只有在科技繁荣和金融危机期间，才见证了类似水平的横截面不确定性。 5各自的每月夏普比率为1.03and1.28. 由人民大学用户于2023年10月15日从https://academic.oup.com/rfs/article/36/9/3548/7056660下载 基于非线性集成的机器学习交易策略在多大程度上是可实现的,我们在考虑交易成本后考察其盈利能力。由于在OptioMetricsIvyDB数据库中无法观察到交易的实