End-to-End Deep Learning für den Handel mit Aktienoptionen

Zusammenfassung

Das Dokument beschreibt einen End-to-End-Ansatz für maschinelles Lernen, der Marktdaten zu Optionen direkt in Handelssignale umwandelt. Anders als Ansätze, die Marktdynamiken vorgeben oder sich auf ein Optionspreismodell stützen, trainiert er Modelle darauf, den Zusammenhang zwischen beobachteten Daten und Handelsentscheidungen zu lernen. Außerdem nutzt er eine Regularisierung des Handelsumsatzes, um Handelsaktivität und deren Kosten zu berücksichtigen.

Der berichtete Backtest umfasst Aktienoptionen auf Bestandteile des S&P 100 über mehr als ein Jahrzehnt. Die Autoren berichten eine bessere risikobereinigte Performance als bei regelbasierten Strategien sowie weitere Zugewinne durch die Regularisierung des Handelsumsatzes bei sehr hohen Transaktionskosten. Die Zusammenfassung enthält weder Modelldetails noch Performancekennzahlen oder Angaben zum Validierungsdesign. Daher lässt sich anhand dieser Beschreibung allein weder die Aussagekraft noch die praktische Allgemeingültigkeit der Ergebnisse beurteilen.

Kernaussagen

• Der Ansatz lernt Handelssignale direkt aus Marktdaten zu Optionen, ohne Marktdynamiken oder ein Optionspreismodell vorzugeben.
• Ein End-to-End-Deep-Learning-Modell wandelt Beobachtungen in Handelsentscheidungen um.
• Die Regularisierung des Handelsumsatzes berücksichtigt Handelsaktivität und Transaktionskosten.
• Der berichtete Backtest deckt mehr als ein Jahrzehnt mit Optionen auf Aktien des S&P 100 ab.
• Die Autoren berichten eine verbesserte risikobereinigte Performance gegenüber regelbasierten Strategien.

Schlagwörter

# Deep Learning for Options Trading: An End-To-End Approach


# Deep Learning for Options Trading: An End-To-End Approach









We introduce a novel approach to options trading strategies using a highly scalable and data-driven machine learning algorithm. In contrast to traditional approaches that often require specifications of underlying market dynamics or assumptions on an option pricing model, our models depart fundamentally from the need for these prerequisites, directly learning non-trivial mappings from market data to optimal trading signals. Backtesting on more than a decade of option contracts for equities listed on the S&P 100, we demonstrate that deep learning models trained according to our end-to-end approach exhibit significant improvements in risk-adjusted performance over existing rules-based trading strategies. We find that incorporating turnover regularization into the models leads to further performance enhancements at prohibitively high levels of transaction costs.

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.