Apprentissage profond de bout en bout pour le trading d’options sur actions

Résumé

Le document décrit une approche d’apprentissage automatique de bout en bout qui transforme directement les données du marché des options en signaux de trading. Contrairement aux approches qui spécifient la dynamique du marché ou s’appuient sur un modèle de valorisation des options, elle entraîne des modèles à apprendre la relation entre les données observées et les décisions de trading. Elle intègre également une régularisation du turnover pour tenir compte de l’activité de trading et de ses coûts.

Le backtest présenté couvre plus de dix ans d’options sur actions des sociétés composant le S&P 100. Les auteurs rapportent une meilleure performance ajustée du risque que celle des stratégies fondées sur des règles, ainsi que des gains supplémentaires grâce à la régularisation du turnover lorsque les coûts de transaction sont très élevés. Le résumé ne donne ni détails sur les modèles, ni chiffres de performance, ni informations sur le protocole de validation ; la solidité et la portée pratique des résultats ne peuvent donc pas être évaluées à partir de cette seule description.

Idées clés

• L’approche apprend directement des signaux de trading à partir des données du marché des options, sans spécifier la dynamique du marché ni un modèle de valorisation des options.
• Elle utilise un modèle d’apprentissage profond de bout en bout pour transformer des observations en décisions de trading.
• La régularisation du turnover est intégrée pour tenir compte de l’activité de trading et des coûts de transaction.
• Le backtest présenté couvre plus de dix ans d’options sur actions du S&P 100.
• Les auteurs rapportent une amélioration de la performance ajustée du risque par rapport aux stratégies fondées sur des règles.

Étiquettes

# 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.

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.