Deep Hedging mit minimalen Nahezu-Martingalmaßen bei Handelsfriktionen

Zusammenfassung

Diese Arbeit nutzt maschinelles Lernen, um minimale äquivalente Martingalmaße für simulierte Märkte mit handelbaren Instrumenten zu finden, etwa einem Kassawert und darauf bezogenen Optionen. Sie erweitert den Ansatz auf Märkte mit Handelsfriktionen und sucht nach Nahezu-Martingalmaßen: Unter diesen Maßen verhalten sich die Preise von Absicherungsinstrumenten innerhalb ihrer Geld-Brief-Spannen wie Martingale. Durch das Entfernen des Drifts soll die Absicherung von Chancen getrennt werden, die eine Strategie andernfalls für statistische Arbitrage nutzen könnte.

Die resultierenden Maße werden verwendet, um Deep Hedging für exotische Auszahlungen zu trainieren. Ziel ist eine Absicherung, die Auszahlung und Handelsfriktionen widerspiegelt statt des Drifts des Simulators. Die Autoren erörtern die Robustheit der Absicherung gegenüber Fehlern im ursprünglichen Marktsimulator und beschreiben Anwendungen auf zwei Simulatoren. Die Zusammenfassung nennt weder den Aufbau der Simulatoren noch quantitative Ergebnisse oder Bedingungen für die Robustheit und belegt daher keine allgemeingültige Leistung über verschiedene Märkte hinweg.

Kernaussagen

• Maschinelles Lernen dient dazu, minimale äquivalente Martingalmaße für simulierte Märkte zu schätzen.
• Bei Handelsfriktionen sucht das Verfahren Maße, unter denen Preise innerhalb der Geld-Brief-Spannen Martingale bleiben.
• Durch das Entfernen des Drifts soll verhindert werden, dass die gelernte Absicherung statistische Arbitrage im Simulator ausnutzt.
• Der Ansatz wendet Deep Hedging mit dem angepassten Marktmaß auf exotische Auszahlungen an.
• Die Autoren erörtern Robustheit gegenüber Schätzfehlern im Simulator und Anwendungen auf zwei Marktsimulatoren.

Schlagwörter

# Deep Hedging: Learning to Remove the Drift under Trading Frictions with Minimal Equivalent Near-Martingale Measures


# Deep Hedging: Learning to Remove the Drift under Trading Frictions with Minimal Equivalent Near-Martingale Measures









We present a machine learning approach for finding minimal equivalent martingale measures for markets simulators of tradable instruments, e.g. for a spot price and options written on the same underlying. We extend our results to markets with frictions, in which case we find "near-martingale measures" under which the prices of hedging instruments are martingales within their bid/ask spread. By removing the drift, we are then able to learn using Deep Hedging a "clean" hedge for an exotic payoff which is not polluted by the trading strategy trying to make money from statistical arbitrage opportunities. We correspondingly highlight the robustness of this hedge vs estimation error of the original market simulator. We discuss applications to two market simulators.

Vollständig mit Quellenangabe unter der Lizenz der Quelle angezeigt. Lizenz: abstract CC0

Diese Zusammenfassung wurde vom Research-Agenten von Stratmill anhand des Originals verfasst; sie ist keine Kopie der Quelle.