فهرست نشریات علمی دسترسی آزاد ایران

هدف: پوشش ریسک ناشی از نوسان قیمت‌ها با استفاده از اوراق اختیارمعامله، به ارزش‌گذاری دقیق و مناسب برای اوراق اختیار معامله وابسته است. به همین دلیل، هدف از این پژوهش، ارزش‌گذاری اوراق اختیارمعامله در بورس اوراق بهادار تهران با شبکه‌های عصبی ماژولار و مقایسۀ عملکرد هر یک از این شبکه‌های عصبی ماژولار با معروف‌ترین مدل ارزش‌گذاری اوراق اختیارمعامله، یعنی مدل بلک، شولز و مرتون و مدل شبکۀ عصبی پرسپترون چندلایه است. روش: برای این پژوهش، از داده‌های اختیارمعامله خرید که از ابتدای سال ۱۳۹۷ تا انتهای سال ۱۴۰۱، در بورس اوراق بهادار تهران معامله شده‌اند، استفاده شده است. در ابتدا پس از حذف داده‌های پرت، ۸۰ درصد داده‌ها، به‌عنوان داده‌های آموزش و ۲۰ درصد باقی‌مانده، به‌عنوان داده‌های آزمون در نظر گرفته شدند. برای امکان مقایسه بین نتایج به‌دست‌آمده از مدل‌های مختلف، در طول پژوهش این دو بخش از داده‌ها ثابت بودند. در این پژوهش با استفاده از معیارهای آماری MSPE، RMSPE و MAPE، قیمت نظری به‌دست‌آمده از هر مدل با قیمت‌های معامله‌شده در بورس اوراق بهادار تهران مقایسه شد. برای محاسبۀ خطای پیش‌بینی در مدل بلک، شولز و مرتون، ابتدا با استفاده از فرمول قیمت‌گذاری آن، قیمت تئوریک اوراق اختیار معامله به‌دست آمد؛ سپس قیمت‌های تئوریک به‌دست‌آمده از رابطۀ بلک، شولز و مرتون با قیمت‌های بازاری آن‌ها مقایسه شد. در مدل‌های شبکۀ عصبی نیز، ابتدا قیمت اوراق اختیار معامله با استفاده از پایتون و الگوریتم‌های یادگیری ماشین آن پیش‌بینی شد و در نهایت، قیمت پیش‌بینی‌شده توسط مدل‌ها و قیمت بازاری همان اختیار معامله مقایسه شد. در پایان، برای بررسی اختلاف معنادار هر مدل با سایر مدل‌ها، از آزمون مقایسۀ زوجی میانگین درصد خطاها استفاده شد. یافته‌ها: این پژوهش نشان داد که از منظر معیار RMSPE مدل شبکه‌های عصبی توسعه‌یافته با نوسان‌های ضمنی، در ارزش‌گذاری اوراق اختیارمعامله خرید در تمام موقعیت‌های پولی و دوره‌های زمانی نسبت به سایر مدل‌های بررسی‌شده، کمترین میزان خطا و بهترین عملکرد را داشته است؛ با این حال اندکی عملکرد مدل شبکۀ عصبی پرسپترون چندلایه توسعه‌یافته با نوسان‌های ضمنی، بهتر از حالت ماژولار آن بوده است. پس از آن، به‌ترتیب مدل شبکه‌های عصبی توسعه‌یافته با نوسان‌های تاریخی، مدل شبکه‌های عصبی با داده‌های مجزا، مدل بلک، شولز و مرتون و مدل شبکۀ عصبی ماژولار پیشنهادی گرادویویچ، گِنجای و کوکولج (۲۰۰۹) بیشترین دقت را داشته‌اند. از منظر معیار MAPE نیز، همچنان مدل‌های توسعه‌یافته با نوسان‌های ضمنی بهترین عملکرد را داشته‌اند؛ ولی در تمام مدل‌های شبکۀ عصبی، عملکرد شبکۀ عصبی پرسپترون چندلایه نسبت به حالت ماژولار بهتر بوده است. نتیجه‌گیری: مدل‌های شبکۀ عصبی ماژولار، نسبت به مدل بلک، شولز و مرتون، می‌توانند عملکرد بهتری داشته باشند. نوسان‌های ضمنی می‌تواند سبب بهبود عملکرد شبکه‌های عصبی در ارزش‌گذاری اوراق اختیارمعامله شود. از طرفی از منظر معیار RMSPE در مدل‌های شبکۀ عصبی توسعه‌یافته با نوسان‌های تاریخی، شبکۀ عصبی ماژولار عملکرد بهتری نسبت به شبکۀ عصبی پرسپترون چندلایه خواهد داشت؛ ولی در مدل‌های شبکۀ عصبی توسعه‌یافته با نوسان‌های ضمنی، شبکۀ عصبی ماژولار نمی‌تواند عملکرد بهتری نسبت به شبکۀ عصبی پرسپترون چندلایه به ثبت برساند. به‌طور کلی شبکه‌های عصبی توسعه‌یافته با نوسان‌های ضمنی، چه در حالت ماژولار و چه در حالت پرسپترون چندلایه، در دوره‌های زمانی بلندمدت و همچنین در موقعیت‌های پولی ITM بهترین عملکرد را داشته‌اند.