본문으로 건너뛰기
라이브러리 문서 전체

헤지 옵션 포트폴리오를 위한 리스크 정규화 딥러닝

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

요약

이 연구는 포트폴리오의 위험 민감도를 학습에 직접 반영하는 체계적 옵션 트레이딩용 과거 데이터 기반 딥러닝 프레임워크를 제시합니다. 목적 함수는 성과 중심 손실 함수와 선택한 위험 요인에 대한 노출을 줄이는 미분 가능한 페널티를 결합합니다. 이를 통해 학습된 포트폴리오가 정해진 헤지 제약을 충족하면서 위험조정수익률을 최적화하도록 유도하며, 헤지 정책을 학습하는 데 시뮬레이션한 시장 동학에 의존하지 않습니다.

이 프레임워크는 나스닥 100 주식 옵션의 정적 델타 중립 스트래들 포트폴리오에 대해 평가하며, 페널티는 1차 방향성 노출을 겨냥합니다. 저자들은 노출 정규화 페널티와 그릭 비율 드리프트 페널티를 비교합니다. 적절한 정규화가 비정규화 기준선보다 표본 외 위험조정 성과를 높이고 실현 방향성 노출을 낮춘다고 보고합니다. 근거는 설명된 포트폴리오와 시장에 한정됩니다. 문서는 표본 기간, 성과 지표, 페널티 보정 세부 정보 또는 거래 비용 처리 방식을 밝히지 않습니다.

핵심 아이디어

  • 학습 목적 함수는 수익 최적화와 선택한 포트폴리오 위험 노출에 대한 미분 가능한 페널티를 결합합니다.
  • 이 프레임워크는 시뮬레이션한 시장 동학이 아니라 과거 데이터에서 학습합니다.
  • 구현에서는 나스닥 100 옵션의 정적 델타 중립 스트래들 포트폴리오를 살펴봅니다.
  • 두 가지 페널티 설계가 1차 방향성 노출을 겨냥합니다.
  • 보고된 보정 페널티는 표본 외 위험조정 성과를 개선하고 실현 방향성 노출을 낮춥니다.

태그

옵션머신러닝리스크 관리포지션 규모 설정백테스트
전문
# 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.

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

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