یادگیری عمیق با منظم‌سازی ریسک برای سبدهای اختیار پوشش‌ریسک‌شده
خلاصه
این پژوهش چارچوبی برای یادگیری عمیق بر پایه داده‌های تاریخی معرفی می‌کند که برای معامله نظام‌مند اختیارها، حساسیت‌های ریسک سبد را مستقیماً وارد فرایند آموزش می‌کند. تابع هدف آن، زیانی معطوف به عملکرد را با جریمه‌ای مشتق‌پذیر برای مواجهه با عوامل ریسک منتخب ترکیب می‌کند. این کار سبد آموخته‌شده را تشویق می‌کند که ضمن بهینه‌سازی بازده تعدیل‌شده بر مبنای ریسک، محدودیت‌های پوشش ریسک انتخاب‌شده را رعایت کند؛ بی‌آنکه برای آموختن سیاست پوشش ریسک به پویایی‌های شبیه‌سازی‌شده بازار متکی باشد.
این چارچوب روی سبدهای استرادل ثابتِ دلتاخنثی در اختیارهای سهام نزدک 100 ارزیابی می‌شود و جریمه‌ها مواجهه جهت‌دار مرتبه اول را هدف می‌گیرند. نویسندگان جریمه تعدیل‌شده بر اساس مواجهه را با جریمه رانش نسبت یونانی‌ها مقایسه می‌کنند. آن‌ها گزارش می‌دهند که منظم‌سازی مناسب، در مقایسه با خط پایه بدون منظم‌سازی، عملکرد تعدیل‌شده بر مبنای ریسک را در نمونه خارج از آموزش بهبود می‌دهد و هم‌زمان مواجهه جهت‌دار تحقق‌یافته را کاهش می‌دهد. شواهد به سبد و بازار توصیف‌شده محدودند؛ سند دوره نمونه، معیارهای عملکرد، جزئیات کالیبراسیون جریمه یا نحوه محاسبه هزینه‌های تراکنش را بیان نمی‌کند.
ایده‌های کلیدی
- تابع هدف آموزش، بهینه‌سازی بازده را با جریمه‌ای مشتق‌پذیر برای مواجهه‌های منتخب ریسک سبد ترکیب می‌کند.
- این چارچوب به‌جای پویایی‌های شبیه‌سازی‌شده بازار، از داده‌های تاریخی یاد می‌گیرد.
- پیاده‌سازی، سبدهای استرادل ثابتِ دلتاخنثی در اختیارهای نزدک 100 را بررسی می‌کند.
- دو طراحی جریمه، مواجهه جهت‌دار مرتبه اول را هدف می‌گیرند.
- طبق گزارش، جریمه‌های کالیبره‌شده عملکرد تعدیل‌شده بر مبنای ریسک را در نمونه خارج از آموزش بهبود می‌دهند و مواجهه جهت‌دار تحقق‌یافته را کاهش می‌دهند.
برچسب‌ها
متن کامل
# 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.
با ذکر منبع و مطابق مجوز اثر، به‌طور کامل نمایش داده می‌شود. مجوز: abstract CC0
این خلاصه را عامل پژوهشی Stratmill بر پایه متن اصلی نوشته است؛ نسخه‌ای از اثر منبع نیست.