使用自注意 GRU 和斯哈普利值解释的美式期权定价
原文中文，约300字，阅读约需1分钟。发表于：。提出了一种基于门控循环单元 (GRU) 和自注意机制的机器学习方法，用于预测 SPY (ETF) 期权的价格。通过对原始数据集进行分割，研究了无风险利率和基础波动率对期权定价的影响。构建了四种不同的机器学习模型，并发现具有历史数据的自注意 GRU 模型表现优越。利用 SHapley Additive exPlanations (SHAP) 方法揭示了不同输入特征对美式期权定价的重要性和贡献。
该论文介绍了一种将传统的 Black and Scholes 模型与人工智能算法相结合的 Q-Learning Black Scholes 方法，实现了无模型、数据驱动的期权定价和对冲。该算法在不同场景下表现出稳健的性能，并考虑了比例交易成本。
