코인 옵션 데이터 활용 0.

Deribit 의 코인 옵션 데이터 활용 블랙숄즈 방정식 검증

0-BTC-29AUG25-40000-C ...

S, K, c/p, price, bid, ask, mark, expiry, tau_yrs 

r: 0.05

 

step 1. Fitting constant sigma to all prices 

블랙숄즈 방정식 활용

sigma ≈ 0.3870, RMSE=409.0607, R^2=0.9998

데이터를 통해 하나의 시그마 상수값 확인

이를 활용하여 내재변동성 확인

 

step 2. 위 시그마 데이터를 활용하여 간단한 AI 아키텍쳐에 대입

- 1st try

Evaluating PDE residual & data 

mae_pde: 0.031424

mse_pde: 0.003159

mae_data: 14558.596680

rmse_data: 31793.171875

r2: -0.264984 (결정계수)

 

- 학습이 제대로 이뤄지지 않음

- 경향성 자체는 학습됨

-> 모델과 스케일을 변경해서 학습

 

...

 

- Nth try  

mae_pde: 0.083811

mse_pde: 0.013392

mae_data: 242.463806

rmse_data: 358.104767

r2: 0.999831

 

- Output : 옵션 가격 usd 예측가격

- 좋은 데이터 피팅 결과

- USD 로그스케일 변경과 Normalization 활용

- 아키텍쳐 자체는 단순한 아키텍쳐 그대로 사용

- 입력 X: [x_n, tau_n, type],  x=ln(S/K), tau=잔존만기(연), type∈{0,1}

 

 

1. 

 

 

2.

 

 

 

3.

 

 

결론

- 데이터를 가지고 역으로 피팅하는건 예상했던것처럼 가능하다는걸 확인

- 시장참여자들이 블랙숄즈를 감안하고 참여할것이기 때문에 거기서 오는 영향력도 컸을것이라 생각

- 미래의 데이터 예측이 가능할지 여부는 도전과제

- 블랙숄즈보다 더 정확하고 합리적인 수식이 존재할것이라 생각하고, 어떤 사람들은 이를 이미 사용하고 있을것이라 생각

  -> 딥러닝을 활용한다면 이러한 formula 를 역으로 유추할 수 있을것이라 생각함

 

문제점

 - 직접 거래를 해보지 않았기 때문에 모르는 부분이 굉장히 많음

    특히 시장 참여자들의 언어와 방식을 알 수 없는 부분이 큼

- 챗지피티를 사용했고, 챗지피티의 경우 현업 종사자들의 언어와 방식에 가까운 무언가를 대답해주기 때문에 난해함이 공존

- 코드 전체도 챗지피티가 작성해준것을 조금씩 고쳐서 사용했지만 결과 자체가 나쁘지 않은 결과로 나타나는것을 봄

   -> 내가 해야 할 일은 챗피티가 작성해준 코드에 챗지피티가 활용하지 못하는

        최신 논문이나 알고리즘, 아키텍쳐를 사용해보는것이 최우선 과제라고 생각함

- 컴퓨팅 리소스와 시간이 부족하기 때문에 발생하는 많은 아쉬움들이 존재.

- 주식의 옵션 데이터의 경우 유료이기 때문에 코인데이터를 사용