基于粒子群优化算法的期权波动率估计

发布时间：2018-01-27 15:49

  本文关键词： 粒子群优化算法 波动率 变异操作 期权定价　出处：《四川大学学报(自然科学版)》2017年05期 　论文类型：期刊论文

【摘要】：波动率是Black-Scholes公式中的一个重要参数,期权价格对它的变动非常敏感.本文首先介绍了Black-Scholes期权定价公式,分析了波动率对期权定价的重要性.然后,为了计算粒子位置和速度,本文根据全局最优位置的历史数据及变异操作,提出了一种基于全局最优位置修正的粒子群优化算法.最后,本文在数值实验中运用修正的粒子群优化算法获得了基于期货合约的欧式看涨期权公式中波动率的估计值,并通过实验结果比较表明该算法具有更好的收敛性.
[Abstract]:Volatility is an important parameter in the Black-Scholes formula, and the option price is very sensitive to its change. This paper first introduces the Black-Scholes option pricing formula. The importance of volatility to option pricing is analyzed. Then, in order to calculate the particle position and velocity, this paper based on the historical data of the global optimal position and mutation operation. A particle swarm optimization algorithm based on global optimal position correction is proposed. Finally. In this paper, the modified particle swarm optimization (PSO) algorithm is used to obtain the estimation of volatility in the formula of European call options based on futures contracts in numerical experiments. The experimental results show that the proposed algorithm has better convergence.
【作者单位】： 重庆工商大学数学与统计学院;
【基金】：国家自然科学基金(11471059) 重庆市科委项目基金(cstc2016jcyjA0564) 重庆市教委项目基金(KJ1500631) 重庆工商大学博士科研启动项目基金(2015-56-08);重庆工商大学青年项目基金(1552004)
【分类号】：F830.9;TP18
【正文快照】： 1引言期权是金融机构中备受关注的一种金融衍生工具.为在期权市场中探索出令人满意的投资领域,期权的定价问题受到了投资者、经济学家、应用数学家乃至物理学家的广泛关注.1973年,Black,Scholes[1]和Merton[2]共同提出了著名的Black-Scholes-Merton模型.该模型一个偏微分方程,

【相似文献】

相关期刊论文 前10条

1 戴冬雪,王祁,阮永顺,王晓超;基于混沌思想的粒子群优化算法及其应用[J];华中科技大学学报(自然科学版);2005年10期

2 李绍军;王惠;钱锋;;基于模式优选思想改进的粒子群优化算法[J];控制与决策;2006年10期

3 苏俊霞;蔚承建;;基于粒子群优化算法的自动机制设计[J];计算机工程与应用;2007年04期

4 何妮;吴燕仙;;粒子群优化算法的研究[J];科技信息(科学教研);2008年06期

5 贺毅朝;王熙照;曲文龙;;一种具有双重进化空间的扩展粒子群优化算法[J];小型微型计算机系统;2008年08期

6 王正帅;邓喀中;;基于文化框架的随机粒子群优化算法[J];计算机科学;2012年06期

7 冯纪强;温雅;;粒子群优化的模糊特征[J];现代电子技术;2012年23期

8 田亚菲;张范勇;阎石;;基于粒子群优化的细菌觅食优化算法[J];控制工程;2012年06期

9 祁超;张曦;刘焕杰;张荟萃;;云环境下多群体协作粒子群优化框架的研究[J];科技创新与应用;2013年36期

10 高海兵;周驰;高亮;;广义粒子群优化模型[J];计算机学报;2005年12期

相关会议论文 前9条

1 徐俊杰;忻展红;;基于增强型参考位置的粒子群优化模型[A];’2004系统仿真技术及其应用学术交流会论文集[C];2004年

2 王亚;于永光;耿玲玲;;一类改进的自适应粒子群优化算法对混沌系统未知参数的估计[A];中国力学大会——2013论文摘要集[C];2013年

3 王光辉;陈杰;潘峰;;多种群协同粒子群优化算法求解动态环境优化问题[A];第二十七届中国控制会议论文集[C];2008年

4 杨雅伟;侍洪波;;量子粒子群优化算法及其应用研究[A];中国仪器仪表学会第九届青年学术会议论文集[C];2007年

5 赵建玉;贾磊;陈月辉;张勇;;基于粒子群优化的信号交叉口交通流预测模型[A];第二十六届中国控制会议论文集[C];2007年

6 赵秋玲;周雅莉;张奇志;;基于粒子群优化的结构振动分布式反馈控制[A];2005年中国智能自动化会议论文集[C];2005年

7 肖龙光;丁晓东;谢集平;;粒子群优化算法的改进[A];第二十三届中国控制会议论文集（上册）[C];2004年

8 龚挺;曹秀英;;基于粒子群优化的伪距定位算法研究[A];第二届中国卫星导航学术年会电子文集[C];2011年

9 钱伟懿;王艳杰;;带自适应压缩因子粒子群优化算法[A];中国运筹学会模糊信息与模糊工程分会第五届学术年会论文集[C];2010年

相关博士学位论文 前10条

1 刘昊;多样性增强的粒子群优化算法及其应用研究[D];北京理工大学;2015年

2 姜毅;动态环境下粒子群优化算法的研究[D];武汉大学;2013年

3 Shafiullah Khan;粒子群优化算法及其在电磁设计中的应用[D];浙江大学;2017年

4 熊勇;粒子群优化算法的行为分析与应用实例[D];浙江大学;2005年

5 唐贤伦;混沌粒子群优化算法理论及应用研究[D];重庆大学;2007年

6 唐贤伦;混沌粒子群优化算法理论及应用[D];重庆大学;2007年

7 徐慧;粒子群优化算法改进及其在煤层气产能预测中的应用研究[D];中国矿业大学;2013年

8 刘逸;粒子群优化算法的改进及应用研究[D];西安电子科技大学;2013年

9 高芳;智能粒子群优化算法研究[D];哈尔滨工业大学;2008年

10 张丽平;粒子群优化算法的理论及实践[D];浙江大学;2005年

相关硕士学位论文 前10条

1 陈卓;粒子群优化算法的改进及在油藏数值模拟中的应用[D];北京建筑大学;2015年

2 白云;基于粒子群优化算法的复杂网络社区挖掘[D];西北农林科技大学;2015年

3 杨艳华;基于粒子群优化支持向量机的网络态势预测模型研究[D];兰州大学;2015年

4 郑博;基于快速排序的多目标粒子群优化算法的研究及应用[D];郑州大学;2015年

5 米永强;非线性规划问题的混合粒子群优化算法研究[D];宁夏大学;2015年

6 李建美;基于自适应变异与文化框架的混沌粒子群优化算法[D];陕西师范大学;2015年

7 刘星;基于粒子群优化算法的特征选择方法研究[D];南京大学;2015年

8 牛旭;动态粒子群优化算法及其应用[D];西安电子科技大学;2014年

9 叶华;粒子群优化算法研究[D];西安电子科技大学;2014年

10 杨青河;基于优化控制思想的粒子群优化算法改进研究[D];东北大学;2013年

，

本文编号：1468825