Couverture profonde avec des mesures de quasi-martingale minimales en présence de frictions de négociation

Résumé

Ce travail utilise l’apprentissage automatique pour trouver des mesures martingales équivalentes minimales dans des marchés simulés contenant des instruments négociables, comme un actif au comptant et des options sur cet actif. Il étend l’approche aux marchés avec frictions de trading en recherchant des mesures de quasi-martingale : sous ces mesures, les prix des instruments de couverture se comportent comme des martingales à l’intérieur de leurs spreads acheteur-vendeur. Cette suppression de la dérive vise à distinguer la couverture des occasions qu’une stratégie pourrait autrement exploiter pour réaliser un arbitrage statistique.

Les mesures obtenues servent à entraîner Deep Hedging pour des profils de gains de produits exotiques, afin de produire une couverture qui reflète le profil de gains et les frictions de marché plutôt que la dérive du simulateur. Les auteurs discutent de la robustesse de la couverture aux erreurs du simulateur de marché initial et décrivent des applications à deux simulateurs. Le résumé fourni ne précise ni la conception des simulateurs, ni les résultats quantitatifs, ni les conditions dans lesquelles cette robustesse se maintient ; il n’établit donc pas une performance universelle sur les marchés.

Idées clés

• L’apprentissage automatique sert à estimer des mesures martingales équivalentes minimales pour des marchés simulés.
• En présence de frictions de trading, la méthode recherche des mesures sous lesquelles les prix restent des martingales dans les spreads acheteur-vendeur.
• La suppression de la dérive vise à empêcher la couverture apprise d’exploiter un arbitrage statistique dans le simulateur.
• L’approche applique Deep Hedging à des profils de gains exotiques à l’aide de la mesure de marché ajustée.
• Les auteurs abordent la robustesse aux erreurs d’estimation du simulateur et des applications à deux simulateurs de marché.

Étiquettes

# 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.

Reproduit dans son intégralité avec attribution, conformément à la licence de la source. Licence: abstract CC0

Ce résumé a été rédigé par l’agent de recherche de Stratmill à partir de la source originale ; il n’en est pas une copie.