Risikoreguliertes Deep Learning für abgesicherte Optionsportfolios

Zusammenfassung

Diese Studie stellt ein Deep-Learning-Framework auf Basis historischer Daten für systematischen Optionshandel vor, das die Risikosensitivitäten des Portfolios direkt in das Training einbezieht. Die Zielfunktion kombiniert einen leistungsorientierten Verlust mit einer differenzierbaren Strafe für das Engagement in ausgewählten Risikofaktoren. Dadurch soll das gelernte Portfolio gewählte Absicherungsbedingungen erfüllen und zugleich die risikobereinigten Renditen optimieren, ohne simulierte Marktdynamiken zum Erlernen einer Absicherungsstrategie zu verwenden.

Das Framework wird mit statischen delta-neutralen Straddle-Portfolios in Nasdaq 100-Aktienoptionen bewertet. Die Strafkomponenten zielen auf ein Richtungsengagement erster Ordnung ab. Die Autoren vergleichen eine engagementnormalisierte Strafe mit einer Driftstrafe für das Verhältnis der Greeks. Sie berichten, dass eine geeignete Regularisierung die risikobereinigte Out-of-Sample-Performance gegenüber einer nicht regularisierten Basislinie verbessert und zugleich das realisierte Richtungsengagement senkt. Die Evidenz ist auf das beschriebene Portfolio und den Markt beschränkt; das Dokument nennt weder den Stichprobenzeitraum noch Performancekennzahlen, Einzelheiten zur Kalibrierung der Strafe oder den Umgang mit Transaktionskosten.

Kernaussagen

• Die Trainingszielfunktion verbindet Renditeoptimierung mit einer differenzierbaren Strafe für ausgewählte Risikopositionen des Portfolios.
• Das Framework lernt aus historischen Daten und nicht aus simulierten Marktdynamiken.
• Die Umsetzung untersucht statische delta-neutrale Straddle-Portfolios in Nasdaq 100-Optionen.
• Zwei Strafkomponenten zielen auf ein Richtungsengagement erster Ordnung ab.
• Den Berichten zufolge verbessern die kalibrierten Strafen die risikobereinigte Out-of-Sample-Performance und verringern das realisierte Richtungsengagement.

Schlagwörter

# Taming the Greeks: Option Portfolios with Inductive Biases


# Taming the Greeks: Option Portfolios with Inductive Biases









We present an end-to-end deep learning framework for systematic options trading that directly embeds hedging behavior through explicit control of portfolio-level risk exposures. While neural networks trained to optimize risk-adjusted performance have been shown to outperform traditional rules-based strategies, such approaches remain agnostic to the sensitivities of the resulting portfolios with respect to specific underlying risk factors. We propose a general training objective that combines a performance-driven loss with a differentiable risk-sensitivity penalty, enforcing neutrality to selected risk dimensions. Unlike reinforcement learning methods that approximate optimal hedging policies via simulated market dynamics, our framework operates entirely on historical data and jointly optimizes risk-adjusted returns and targeted risk constraints in a single learning problem. We instantiate the framework on static delta-neutral straddle portfolios with the penalty directed at first-order directional exposure, and evaluate two penalty variants -- an exposure-normalized penalty and a Greek-ratio drift penalty. Empirical results on Nasdaq 100 equity options demonstrate that appropriately calibrated regularization simultaneously improves out-of-sample risk-adjusted performance relative to an unregularized baseline while reducing realized directional exposure.

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.