This thesis investigates the use of neural networks to estimate prices of European call options and exotic options. The dataset used in the thesis consists of historical price data for European call options written on the S&P 500 and two synthetic data sets generated from a model in which it is assumed that the underlying assets are correlated geometric Brownian motions and a Heston model. Neural networks with depths ranging from 1 to 9 layers are evaluated. The results suggest that neural networks with more than six layers can provide better out-of-sample performance compared to networks with fewer layers for the options considered.

I den här uppsatsen används neurala nätverk för att estimera priser på europeiska köpoptioner och exotiska optioner. Det data som används består av historiska priser för europeiska köpoptioner skrivna på S&P 500 och två syntetiska datamängder genererade från en modell där de underliggande tillgångarna antas vara korrelerade geometriska brownska rörelser och en Heston-modell. Neurala nätverk med djup mellan 1 och 9 lager utvärderas. Uppsatsen drar slutsatsen att neurala nätverk med fler än sex lager kan prestera bättre än nätverk med färre vid estimering av priser för de studerade optionerna.