Apprentissage profond avec régularisation du risque pour les portefeuilles d’options couverts

Résumé

Cette étude présente un cadre d’apprentissage profond fondé sur des données historiques pour le trading systématique d’options, qui intègre directement les sensibilités au risque du portefeuille dans l’entraînement. Son objectif associe une fonction de perte axée sur la performance à une pénalité différentiable liée à l’exposition à certains facteurs de risque. Cette approche encourage le portefeuille appris à respecter les contraintes de couverture choisies tout en optimisant les rendements ajustés au risque, sans s’appuyer sur une simulation des dynamiques de marché pour apprendre une politique de couverture.

Le cadre est évalué sur des portefeuilles statiques de straddles neutres au delta portant sur des options sur actions du Nasdaq 100, avec des pénalités visant l’exposition directionnelle de premier ordre. Les auteurs comparent une pénalité normalisée par l’exposition et une pénalité de dérive du ratio grec. Ils rapportent qu’une régularisation adaptée améliore les performances ajustées au risque hors échantillon par rapport à une référence non régularisée, tout en réduisant l’exposition directionnelle réalisée. Les éléments se limitent au portefeuille et au marché décrits ; le document ne précise ni la période de l’échantillon, ni les mesures de performance, ni les détails du calibrage des pénalités ou le traitement des coûts de transaction.

Idées clés

• L’objectif d’entraînement associe l’optimisation du rendement à une pénalité différentiable portant sur certaines expositions au risque du portefeuille.
• Le cadre apprend à partir de données historiques plutôt que de dynamiques de marché simulées.
• L’application étudie des portefeuilles statiques de straddles neutres au delta sur des options du Nasdaq 100.
• Deux méthodes de pénalisation ciblent l’exposition directionnelle de premier ordre.
• Selon les résultats rapportés, les pénalités calibrées améliorent les performances ajustées au risque hors échantillon et réduisent l’exposition directionnelle réalisée.

Étiquettes

# 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.

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.