Oceňování opcí použitím strojového učení

Práce se zaměřuje na oceňování opcí pomocí neuronových sítí. Cílem je využívatnejmodernější rekurentní neuronovou síť pro stanovení ceny za opce a porovnat jejívýkon s modelem Black-Scholes a další architekturou neuronové sítě. Čtenář je v teoretickéčásti vybaven základy modelu Black-Scholes a strojového učení. Dále uvádímea podrobně popisujeme feed-forward neuronové sítě a rekurentní neuronovou síť s Long short-term memory jednotkami. Následně v praktické části uvádíme použitédata a popisujeme trénink neuronových sítí. Dále uvádíme náš navrhovaný přístupk oceňování opcí pomocí sítí LSTM. Navíc uvádíme podrobné technické aspekty a využití softwaru pro modelování. Poslední část je věnována výsledkům získanýmvšemi modely. V závěru mimo jiné navrhujeme velký počet vylepšení a nápadů pro další výzkum.The thesis focuses on option pricing using neural networks. The goal is to usestate-of-the-art recurrent neural network for option pricing and comparing it’s performanceto Black-Scholes model and another neural network architecture. The readeris in theoretical part, provided with foundations of Black-Scholes model and machinelearning. We also introduce and describe in great detail feed-forward networks andrecurrent neural networks with Long short-term memory units. Subsequently, in thepractical part we present our data and describe training of neural networks. Furthermore,we present our proposed approach for pricing options using LSTM networks.In addition, we present detailed technical aspects and software use for training. Thelast part is dedicated to results obtained by all models. In conclusion, we suggestwide range of improvements and ideas for further research