Data toepassingen in de financiële wiskunde

Het doctoraatsonderzoek bestaat uit twee afzonderlijke delen, die elk een toepassing behandelen van een bepaald type data in de context van financiële wiskunde. In het eerste deel onderzoeken we hoe machine learning modellen getraind kunnen worden om prijzen van financiële derivaten te berekenen. De huidige modellen voor het prijzen van derivaten zijn zodanig complex geworden, dat men vaak beroep moet doen op tijdrovende, numerieke methoden om prijzen te berekenen. Het doel van dit onderzoek is daarom om een methode te ontwikkelen waarmee prijzen op een snellere, efficiënte manier berekend kunnen worden. De aanpak bestaat erin om eerst een data set te genereren die de prijsfunctie van een complex model reflecteert, en dan een supervised learning model te fitten op die data. Het getrainde model zou dan gebruikt kunnen worden om prijzen te berekenen die overeenstemmen met het complex model,  maar die op een snellere manier berekend worden. In het tweede deel van het doctoraatsonderzoek analyseren we hoe ESG data geïntegreerd kan worden in de selectieprocedure van een optimale aandelenportefeuille. ESG indicatoren beschrijven hoe bedrijven scoren op ‘environmental’, ‘social’, en ‘governance’ aspecten in hun beleid.  We beschouwen twee specifieke indicatoren; (1) de ESG rating, die een algemene graad van duurzaamheid beschrijft, en (2) de broeikasgas intensiteit, die de CO2 uitstoot van een bedrijf weergeeft. Het doel van dit onderzoek is om na te gaan wat de impact is van het integreren van dergelijke criteria op het rendement en de risicograad van de resulterende aandelenportefeuilles.