Una tecnica image-based di deep learning per la calibrazione di superfici di volatilità

In the financial industry, as in other sectors, the choice of models in use depends largely on their usability. Current models do not necessarily have the most suitable properties for describing markets, as much as they are those with the most easily sustainable computational costs, and therefore the most easily usable. The purpose of this thesis is to study a method capable of drastically reducing the computational costs of calibration of the most complex models in order to make even the models normally too expensive usable in terms of computational time. This result is possible thanks to the use of neural networks. In the thesis, it is also shown how the technique can be easily extended with success to other models bringing the example of two models based on self-similar processes.

Nell'industria finanziaria, come in altri settori, la scelta dei modelli in uso dipende in larga misura dalla loro usabilità. I modelli attuali non hanno necessariamente le proprietà più adatte a descrivere i mercati, quanto invece sono quelli con i costi computazionali più facilmente sostenibili, e dunque più facilmente utilizzabili. Lo scopo di questa tesi è studiare un metodo capace di ridurre drasticamente i costi computazionali di calibrazione dei modelli più complessi al fine di rendere fruibili anche i modelli normalmente più dispendiosi dal punto di vista dei tempi computazionali. Tale risultato è possibile grazie all'impiego delle reti neurali. Nella tesi è anche mostrato come la tecnica può essere facilmente estesa con successo ad altri modelli portando l'esempio di due modelli basati su processi auto similari.