Глубокое обучение с регуляризацией риска для хеджированных опционных портфелей

Сводка

В исследовании представлен основанный на исторических данных фреймворк глубокого обучения для систематической торговли опционами, который напрямую учитывает чувствительность портфеля к риску при обучении. Целевая функция объединяет ориентированную на результат функцию потерь с дифференцируемым штрафом за подверженность выбранным факторам риска. Это помогает обучаемому портфелю соблюдать заданные ограничения хеджирования и оптимизировать доходность с поправкой на риск без использования смоделированной рыночной динамики для обучения хеджирующей политике.

Фреймворк проверяется на статических дельта-нейтральных портфелях стреддлов на опционах на акции Nasdaq 100; штрафы нацелены на экспозицию к направленному риску первого порядка. Авторы сравнивают штраф, нормированный по экспозиции, и штраф за дрейф соотношения греков. Они сообщают, что подходящая регуляризация улучшает результаты вне выборки с поправкой на риск по сравнению с базовой моделью без регуляризации и снижает реализованную направленную экспозицию. Данные ограничены описанным портфелем и рынком; в документе не указаны период выборки, метрики результатов, подробности калибровки штрафов или учёт транзакционных издержек.

Ключевые идеи

• Целевая функция обучения сочетает оптимизацию доходности с дифференцируемым штрафом за выбранные рисковые экспозиции портфеля.
• Фреймворк обучается на исторических данных, а не на смоделированной рыночной динамике.
• В реализации исследуются статические дельта-нейтральные портфели стреддлов на опционах Nasdaq 100.
• Два варианта штрафа нацелены на экспозицию к направленному риску первого порядка.
• Согласно результатам, калиброванные штрафы улучшают вневыборочную доходность с поправкой на риск и снижают реализованную направленную экспозицию.

Теги

# 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.

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.