Сквозное глубокое обучение для торговли опционами на акции

Сводка

В документе описан сквозной подход машинного обучения, который напрямую преобразует рыночные данные по опционам в торговые сигналы. В отличие от подходов, задающих динамику рынка или опирающихся на модель оценки опционов, здесь модели обучаются находить связь между наблюдаемыми данными и торговыми решениями. Также используется регуляризация оборота, учитывающая торговую активность и связанные с ней издержки.

Описанный бэктест охватывает более десяти лет торговли опционами на акции компаний, входящих в S&P 100. Авторы сообщают о более высокой доходности с поправкой на риск по сравнению со стратегиями на основе правил, а также о дополнительном улучшении благодаря регуляризации оборота при очень высоких транзакционных издержках. В кратком описании нет сведений о моделях, показателях доходности или схеме валидации, поэтому по нему нельзя оценить убедительность и практическую применимость результатов.

Ключевые идеи

• Подход обучается напрямую извлекать торговые сигналы из рыночных данных по опционам, не задавая динамику рынка или модель оценки опционов.
• Сквозная модель глубокого обучения преобразует наблюдения в торговые решения.
• Регуляризация оборота учитывает торговую активность и транзакционные издержки.
• Описанный бэктест охватывает более десяти лет торговли опционами на акции компаний из S&P 100.
• Авторы сообщают об улучшении доходности с поправкой на риск относительно стратегий на основе правил.

Теги

# 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.

Полный текст с указанием источника опубликован на условиях его лицензии. Лицензия: abstract CC0

Это краткое изложение подготовлено исследовательским агентом Stratmill по оригиналу и не является его копией.