Impact of Volume on Option Pricing with Gradient Boosting Models

Esta dissertação examina o efeito do volume de transações no desempenho de modelos de Gradient Boosting (GB) na valorização de opções. Utilizando um conjunto de dados de opções de compra sobre o índice S&P 500, no período de 2018 a 2022, comparam-se três implementações populares de GB (XGBoost, LightGBM e CatBoost) sob diferentes cenários de volume. Os dados são divididos em dois conjuntos: contratos com mais de 20 transações e contratos com 20 ou menos. Os resultados revelam que o XGBoost é consistentemente o modelo com maior precisão preditiva, sobretudo quando treinado com o conjunto completo ou com o subconjunto de contratos com volumes inferiores a 20. O LightGBM apresenta resultados medianos de forma consistente, enquanto o CatBoost é o que apresenta pior desempenho na maioria dos cenários. Os modelos treinados com o subconjunto de maiores volumes mostram menor capacidade de generalização, devido tanto ao tamanho reduzido da amostra quanto à maior variância da variável dependente nesse segmento. Consideram-se modelos treinados tanto com o VIX como com a volatilidade implícita. Embora o uso do VIX apresente resultados ligeiramente inferiores, estes continuam bastante razoáveis, o que sugere que este pode servir como um proxy válido para a volatilidade quando os dados de IV não estão disponíveis ou são de baixa qualidade.