A supervised learning approach to swaption calibration

The study of new techniques for pricing options and more in general derivative contracts, is gathering increasing attention on both the Financial community and the Applied Statistic community. It is interesting and enterprising to research new models capable of describe financial market behaviours. This thesis addresses the question of how financial curve and derivative contract price predictions can be improved using machine learning techniques. The focus is on the modelling of discount and interest-rate curves leveraging on Vasicek model, with swaption prices as unique feedback. In this work we will focus on performances obtained by offline and online models, in addition we will evaluate the performances with respect to the currently used analytical models. Along the model development, there will be several arguments that consist of reliable analyses about the analytical model. In particular we will focus on relationships between peculiar values that constitute curves and relative contract prices. These analyses are an additional knowledge base that is usually missing, this is due to either contract practitioners and composers know only how to use them better or their financial mathematical details. Previous research has focused on using time series, or Machine Learning techniques directly applied to predict contract variables that define instrument state. Our diversity relies on the ability of predicting curves that define several contracts. Besides the achieved results, there is an accurate analysis of our approach limitations and future work suggestions.

Lo studio di nuove tecnice di prezzamento delle opzioni e più in generale di contratti derivati, sta ricevendo notevole considerazione sia nella comunità di Finanza che in quella della Statistica Applicata. Risulta infatti particolarmente interessante e intraprendente la ricerca di nuovi modelli in grado di descrivere i comportamenti futuri dei mercati finanziari. Questa tesi si occupa di rispondere alla domanda di come migliorare la predizione di curve finanziarie e in particolare prezzi di contratti che ne derivano, andando a utilizzare tecniche di Machine Learning. In particolare ci concentreremo sul modellizzare l’andamento delle curve di sconto e dei tassi di interesse tramite un modello Vasicek, avendo come unico riscontro il prezzaggio di contratti swaption definiti a partire da tali variabili. In questo lavoro ci concentreremo sulle prestazioni ottenute da modelli offline e online, infine valuteremo le prestazioni ottenute rispetto ai modelli analitici che vengono utilizzati attualmente. Durante la costruzione di tali modelli, saranno presentate varie argomentazioni che consistono in analisi robuste circa i modelli analitici utilizzati. In particolare ci focalizzeremo sui legami di dipendenza tra valori caratteristici componenti le curve e i prezzi dei relativi contratti. Queste analisi costituiscono una base di conoscenza aggiuntiva che spesso viene a mancare, in quanto gli utilizzatori dei contratti come anche chi li definisce, conosce solo o le proprietà che ne consentono un utilizzo migliore, o i dettagli matematico finanziari. I precedenti lavori di ricerca consideravano o l’utilizzo di serie temporali, o l’utilizzo di tecniche di Machine Learning per predirre direttamente variabili caratterizzanti lo stato di particolari contratti. La nostra diversità risiede nell’abilità di predirre curve presenti nella definizione di svariati tipi di contratti. Oltre i risultati conseguiti, è presente una analisi dettagliata delle limitazioni e degli scenari futuri suggeriti.