Aprendizado profundo com regularização de risco para carteiras de opções protegidas

Resumo

Este estudo apresenta uma estrutura de aprendizado profundo baseada em dados históricos para trading sistemático de opções, que incorpora diretamente sensibilidades de risco da carteira ao treinamento. Seu objetivo combina uma função de perda orientada ao desempenho com uma penalidade diferenciável pela exposição a fatores de risco selecionados. Isso incentiva a carteira aprendida a atender às restrições de hedge escolhidas enquanto otimiza os retornos ajustados ao risco, sem depender de dinâmicas de mercado simuladas para aprender uma política de hedge.

A estrutura é avaliada em carteiras estáticas de straddles delta-neutros em opções de ações da Nasdaq 100, com penalidades direcionadas à exposição direcional de primeira ordem. Os autores comparam uma penalidade normalizada pela exposição e uma penalidade de deriva da razão de gregas. Eles relatam que uma regularização adequada melhora o desempenho ajustado ao risco fora da amostra em relação a uma referência sem regularização, ao mesmo tempo que reduz a exposição direcional realizada. As evidências se limitam à carteira e ao mercado descritos; o documento não informa o período da amostra, as métricas de desempenho, os detalhes de calibração da penalidade nem o tratamento dos custos de transação.

Ideias principais

• O objetivo de treinamento combina a otimização dos retornos com uma penalidade diferenciável sobre exposições selecionadas ao risco da carteira.
• A estrutura aprende com dados históricos, em vez de dinâmicas de mercado simuladas.
• A implementação estuda carteiras estáticas de straddles delta-neutros em opções da Nasdaq 100.
• Dois modelos de penalidade visam à exposição direcional de primeira ordem.
• Segundo o relato, penalidades calibradas melhoram o desempenho ajustado ao risco fora da amostra e reduzem a exposição direcional realizada.

Tags

# 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.

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.