Aprendizaje profundo con regularización de riesgo para carteras de opciones cubiertas

Resumen

Este estudio presenta un marco de aprendizaje profundo basado en datos históricos para el trading sistemático de opciones que incorpora directamente en el entrenamiento las sensibilidades al riesgo de la cartera. Su función objetivo combina una pérdida orientada al rendimiento con una penalización diferenciable por la exposición a factores de riesgo seleccionados. Esto anima a la cartera aprendida a cumplir las restricciones de cobertura elegidas mientras optimiza los rendimientos ajustados al riesgo, sin depender de dinámicas de mercado simuladas para aprender una política de cobertura.

El marco se evalúa con carteras estáticas de straddles delta neutrales en opciones sobre acciones del Nasdaq 100, con penalizaciones dirigidas a la exposición direccional de primer orden. Los autores comparan una penalización normalizada por exposición y otra que penaliza la deriva de la proporción entre griegas. Señalan que una regularización adecuada mejora el rendimiento ajustado al riesgo fuera de muestra frente a una referencia sin regularización y reduce la exposición direccional realizada. Las pruebas se limitan a la cartera y al mercado descritos; el documento no indica el periodo de la muestra, las métricas de rendimiento, los detalles de calibración de las penalizaciones ni cómo trata los costes de transacción.

Ideas clave

• El objetivo de entrenamiento combina la optimización de rendimientos con una penalización diferenciable sobre exposiciones de riesgo seleccionadas de la cartera.
• El marco aprende de datos históricos en lugar de dinámicas de mercado simuladas.
• La implementación estudia carteras estáticas de straddles delta neutrales en opciones del Nasdaq 100.
• Dos diseños de penalización se centran en la exposición direccional de primer orden.
• Las penalizaciones calibradas señaladas mejoran el rendimiento ajustado al riesgo fuera de muestra y reducen la exposición direccional realizada.

Etiquetas

# 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.

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.