Conformal Prediction of Option Prices with Machine Learning

O reconhecimento e a quantificação da incerteza na determinação do preço das opções representam um desafio critico na área das finanças que tem sido largamente subexplorado. O presente estudo propõe-se quantificar a incerteza na determinação do preço das opções recorrendo à metodologia de previsão conformalizada, procurando assim colmatar uma lacuna existente na literatura. A previsão conformalizada é uma técnica que permite construir intervalos de previsão com cobertura válida em amostras finitas, sem fazer suposições sobre a distribuição da amostra. Recorrendo a uma vasta base de dados de opções no S&P500, realizamos um estudo empírico para avaliar o desempenho de intervalos de previsão conformalizados para gradient boosting machines. Os resultados empíricos indicam que os intervalos atingem uma cobertura empírica igual à cobertura nominal, o que não é assegurado em metodologias não conformes. Além disso, observamos variações sistemáticas na largura dos intervalos consoante as características das opções. Nomeadamente, as opções out-of-the-money e as opções com um curto período até à maturidade têm intervalos de previsão relativamente mais largos, o que sugere uma maior incerteza na determinação do preço. Observamos também que as calls com curto período até à maturidade têm intervalos mais largos do que as puts com curto período até à maturidade, devido às diferenças inerentes de retorno. Em suma, os resultados validam a utilização da previsão conformalizada no âmbito da previsão de preços de opções financeiras e salientam o seu valor prático para a tomada de decisões financeiras em condições de incerteza.