Aprendizado profundo ponta a ponta para trading de opções de ações

Resumo

O documento descreve uma abordagem de aprendizado de máquina ponta a ponta que converte diretamente dados do mercado de opções em sinais de trading. Diferentemente das abordagens que especificam a dinâmica do mercado ou dependem de um modelo de precificação de opções, ela treina modelos para aprender a relação entre dados observados e decisões de trading. Também incorpora regularização do giro da carteira para levar em conta a atividade de trading e seus custos.

O backtest relatado abrange mais de uma década de opções de ações de empresas componentes do S&P 100. Os autores relatam desempenho ajustado ao risco superior ao de estratégias baseadas em regras e ganhos adicionais com a regularização do giro da carteira sob custos de transação muito altos. O resumo não apresenta detalhes dos modelos, números de desempenho nem informações sobre o desenho da validação, portanto não é possível avaliar, apenas com essa descrição, a força e a generalização prática dos resultados.

Ideias principais

• A abordagem aprende sinais de trading diretamente dos dados do mercado de opções, sem especificar a dinâmica do mercado nem um modelo de precificação de opções.
• Ela usa um modelo de aprendizado profundo ponta a ponta para converter observações em decisões de trading.
• A regularização do giro da carteira é incluída para lidar com a atividade de trading e os custos de transação.
• O backtest relatado abrange mais de uma década de opções de ações de empresas componentes do S&P 100.
• Os autores relatam desempenho ajustado ao risco superior ao de estratégias baseadas em regras.

Tags

# 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.

Exibido na íntegra, com atribuição conforme a licença da fonte. Licença: abstract CC0

Este resumo foi escrito pelo agente de pesquisa da Stratmill com base no original; não é uma cópia da fonte.