ہیج شدہ آپشن پورٹ فولیوز کے لیے خطرے کے ذریعے ریگولرائزڈ گہری لرننگ

خلاصہ

یہ مطالعہ تاریخی ڈیٹا پر مبنی ڈیپ لرننگ فریم ورک پیش کرتا ہے جو منظم آپشن ٹریڈنگ میں پورٹ فولیو کی خطراتی حساسیتوں کو براہِ راست تربیت میں شامل کرتا ہے۔ اس کے مقصد میں کارکردگی پر مبنی لاس کے ساتھ منتخب خطرے کے عوامل سے وابستگی پر قابلِ تفریق جرمانہ شامل ہے۔ اس سے سیکھا ہوا پورٹ فولیو منتخب ہیجنگ پابندیوں کو پورا کرتے ہوئے خطرے کے لحاظ سے ایڈجسٹ شدہ منافع بہتر بنانے کی ترغیب پاتا ہے؛ ہیجنگ پالیسی سیکھنے کے لیے مصنوعی مارکیٹ حرکیات پر انحصار نہیں کیا جاتا۔

فریم ورک کا جائزہ نیسڈیک 100 ایکویٹی آپشنز میں جامد ڈیلٹا نیوٹرل اسٹریڈل پورٹ فولیوز پر لیا گیا، جہاں جرمانے پہلی درجے کی سمت وار زد کو ہدف بناتے ہیں۔ مصنفین زد کے لحاظ سے معمول کردہ جرمانے اور یونانی تناسب کے انحراف کے جرمانے کا موازنہ کرتے ہیں۔ وہ رپورٹ کرتے ہیں کہ مناسب ریگولرائزیشن، بغیر ریگولرائزیشن کے بنیادی معیار کے مقابلے میں نمونے سے باہر خطرے کے لحاظ سے ایڈجسٹ شدہ کارکردگی بہتر اور حقیقی سمت وار زد کم کرتی ہے۔ شواہد بیان کردہ پورٹ فولیو اور مارکیٹ تک محدود ہیں؛ دستاویز نمونے کی مدت، کارکردگی کے پیمانوں، جرمانے کی کالیبریشن یا لین دین کے اخراجات کے برتاؤ کی وضاحت نہیں کرتی۔

اہم خیالات

• تربیت کا مقصد منافع کی آپٹیمائزیشن کو منتخب پورٹ فولیو خطراتی زد پر قابلِ تفریق جرمانے کے ساتھ ملاتا ہے۔
• فریم ورک مصنوعی مارکیٹ حرکیات کے بجائے تاریخی ڈیٹا سے سیکھتا ہے۔
• نفاذ میں نیسڈیک 100 آپشنز کے جامد ڈیلٹا نیوٹرل اسٹریڈل پورٹ فولیوز کا مطالعہ کیا گیا ہے۔
• جرمانے کے دو ڈیزائن پہلی درجے کی سمت وار زد کو ہدف بناتے ہیں۔
• رپورٹ کردہ کالیبریٹڈ جرمانے نمونے سے باہر خطرے کے لحاظ سے ایڈجسٹ شدہ کارکردگی بہتر اور حقیقی سمت وار زد کم کرتے ہیں۔

ٹیگز

# 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.

ماخذ کا حوالہ دیتے ہوئے مکمل متن دکھایا گیا ہے، ماخذ کے لائسنس کے تحت۔ لائسنس: abstract CC0

یہ خلاصہ اصل ماخذ سے Stratmill کے تحقیقی ایجنٹ نے لکھا ہے؛ یہ ماخذ کی نقل نہیں۔