Considerazioni ed osservazioni finali

L'approccio neurocomputazionale per la valutazione di opzioni finanziarie rappresenta una valida alternativa a tecniche di valutazione più classiche quali quelle basate su espressioni in forma chiusa (ove disponibili) e a tecniche numeriche proposte in letteratura (ad esempio si veda [Boyle et al., 1997] per una rassegna sulle tecniche di simulazione di tipo Monte Carlo e si veda [Wilmott et al., 1995] per un'introduzione ai metodi alle differenze ed agli elementi finiti).

Comunque, tali metodi neurocomputazionali presentano alcune limitazioni, quali

. la richiesta di una considerevole quantità di dati per ottenere dei risultati
soddisfacenti;

. il problema dell'overfitting a causa del quale il modello tende a recepire come
strutturale anche la parte "rumorosa" dei dati (tuttavia, come sottolineato
precedentemente tale problema può essere limitato attraverso un'opportuna fase di shuffling dei dati);

. inoltre, poiché le RNA sono delle quasi-black box, non risulta sempre
finanziariamente interpretabile la relazione che lega ciascuna variabile esplicativa al valore dell'opzione e, di conseguenza, la sua significatività ai fini della valutazione. Particolarmente promettente sembra poi il cosiddetto "approccio ibrido", in cui la RNA è chiamata ad apprendere solamente le deviazioni dei prezzi di mercato rispetto ad un modello parametrico che si è dimostrato sufficientemente accurato per le opzioni considerate (quale, ad esempio, il modello di B-S). Un'altra tipologia di approccio ibrido consiste nel fornire alla RNA degli input elaborati preventivamente da altri modelli. In particolare, essendo la stima della volatilità un input di fondamentale importanza, un possibile approccio potrebbe prevedere l'utilizzo di un particolare modello parametrico per ottenere delle migliori stime della volatilità. Ad esempio, la modellistica di tipo ARCH e GARCH ed i modelli a volatilità stocastica possono essere in grado di catturare
importanti caratteristiche delle serie storiche finanziarie, quali l'effetto cluster e l'effetto leverage come, ad esempio, illustrato in [Bollerslev et al.,1992].

Futuri possibili sviluppi di tale approccio potrebbero considerare:

. l'utilizzo di input aggiuntivi, o diversi, da quelli che si basano sulla formula di B-S;

. la specificazione di particolari misure di performance collegate al fenomeno
analizzato al fine di specificare RNA che assicurino una buona applicabilità pratica (soprattutto in relazione alle operazioni di copertura);

. la definizione di un'analisi complessiva del fenomeno che consideri, oltre al prezzo, anche altre caratteristiche della funzione di valutazione (tipicamente i parametri greci).