Cobertura profunda con medidas de casi martingala y fricciones

Resumen

Este trabajo utiliza aprendizaje automático para encontrar medidas martingala equivalentes mínimas en mercados simulados que contienen instrumentos negociables, como un activo al contado y opciones sobre ese activo. Amplía el enfoque a mercados con fricciones de trading mediante la búsqueda de medidas de casi martingala: bajo estas medidas, los precios de los instrumentos de cobertura se comportan como martingalas dentro de sus spreads de compra y venta. Eliminar la deriva de este modo pretende separar la cobertura de las oportunidades que una estrategia podría aprovechar para el arbitraje estadístico.

Las medidas resultantes se utilizan para entrenar Deep Hedging con pagos exóticos, con el objetivo de producir una cobertura que refleje el pago y las fricciones de mercado en lugar de la deriva del simulador. Los autores analizan la solidez de la cobertura ante errores en el simulador de mercado original y describen aplicaciones a dos simuladores. El resumen no especifica los diseños de los simuladores, los resultados cuantitativos ni las condiciones en las que se mantiene esa solidez, por lo que no demuestra un rendimiento universal en todos los mercados.

Ideas clave

• Se utiliza aprendizaje automático para estimar medidas martingala equivalentes mínimas en mercados simulados.
• Con fricciones de trading, el método busca medidas bajo las que los precios siguen siendo martingalas dentro de los spreads de compra y venta.
• Eliminar la deriva pretende evitar que la cobertura aprendida aproveche el arbitraje estadístico del simulador.
• El enfoque aplica Deep Hedging a pagos exóticos utilizando la medida de mercado ajustada.
• Los autores analizan la solidez ante errores de estimación del simulador y las aplicaciones a dos simuladores de mercado.

Etiquetas

# 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.

Se muestra íntegramente con atribución según la licencia de la fuente. Licencia: abstract CC0

Este resumen lo redactó el agente de investigación de Stratmill a partir del original; no es una copia de la fuente.