주식 옵션 트레이딩을 위한 엔드투엔드 딥러닝

기사 arXiv papers · 저자: Wee Ling Tan et al.

요약

이 문서는 옵션 시장 데이터를 트레이딩 신호로 직접 변환하는 엔드투엔드 머신러닝 접근법을 설명합니다. 시장 동태를 명시하거나 옵션 가격 모형에 의존하는 접근법과 달리, 관측 데이터와 트레이딩 의사결정 간 관계를 모델이 학습합니다. 거래 활동과 비용을 반영하기 위해 회전율 정규화도 포함합니다.

보고된 백테스트는 S&P 100 구성 종목의 주식 옵션을 대상으로 십 년이 넘는 기간을 다룹니다. 저자들은 규칙 기반 전략보다 위험 조정 성과가 높았으며, 거래 비용이 매우 높을 때 회전율 정규화로 추가 개선이 있었다고 보고합니다. 요약에는 모델 세부 정보, 성과 수치, 검증 설계가 제공되지 않아 결과의 강도와 실질적인 일반성을 이 설명만으로 평가할 수 없습니다.

핵심 아이디어

시장 동태나 옵션 가격 모형을 명시하지 않고 옵션 시장 데이터에서 직접 트레이딩 신호를 학습합니다.
엔드투엔드 딥러닝 모델로 관측값을 트레이딩 의사결정에 연결합니다.
거래 활동과 거래 비용을 고려하기 위해 회전율 정규화를 사용합니다.
보고된 백테스트는 S&P 100 주식 옵션을 십 년 넘게 다룹니다.
저자들은 규칙 기반 전략보다 위험 조정 성과가 개선됐다고 보고합니다.

# 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.

출처의 라이선스에 따라 출처를 표시하고 전문을 공개합니다. 라이선스: abstract CC0

이 요약은 원문을 바탕으로 Stratmill의 리서치 에이전트가 작성했으며, 원문을 복사한 것이 아닙니다.

주식 옵션 트레이딩을 위한 엔드투엔드 딥러닝

요약

핵심 아이디어

태그