Aprendizaje profundo de extremo a extremo para operar con opciones sobre acciones

Resumen

El documento describe un enfoque de aprendizaje automático de extremo a extremo que transforma directamente los datos del mercado de opciones en señales de trading. A diferencia de los enfoques que especifican la dinámica del mercado o se basan en un modelo de valoración de opciones, entrena modelos para aprender la relación entre los datos observados y las decisiones de trading. También incorpora regularización de la rotación de cartera para tener en cuenta la actividad de trading y sus costes.

El backtest comunicado abarca más de una década de opciones sobre acciones de componentes del S&P 100. Los autores informan de un rendimiento ajustado al riesgo superior al de las estrategias basadas en reglas y de mejoras adicionales gracias a la regularización de la rotación con costes de transacción muy elevados. El resumen no ofrece detalles del modelo, cifras de rendimiento ni información sobre el diseño de validación, por lo que esta descripción por sí sola no permite evaluar la solidez ni la generalidad práctica de los resultados.

Ideas clave

• El enfoque aprende señales de trading directamente de los datos del mercado de opciones, sin especificar la dinámica del mercado ni un modelo de valoración de opciones.
• Utiliza un modelo de aprendizaje profundo de extremo a extremo para transformar observaciones en decisiones de trading.
• La regularización de la rotación de cartera se incluye para abordar la actividad de trading y los costes de transacción.
• El backtest comunicado abarca más de una década de opciones sobre acciones del S&P 100.
• Los autores informan de un rendimiento ajustado al riesgo superior al de las estrategias basadas en reglas.

Etiquetas

# 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.

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.