Học sâu đầu cuối cho giao dịch quyền chọn cổ phiếu

Tóm tắt

Tài liệu mô tả một phương pháp học máy đầu cuối, ánh xạ trực tiếp dữ liệu thị trường quyền chọn thành tín hiệu giao dịch. Khác với các cách tiếp cận xác định động lực thị trường hoặc dựa vào mô hình định giá quyền chọn, phương pháp này huấn luyện mô hình để học mối quan hệ giữa dữ liệu quan sát được và quyết định giao dịch. Phương pháp cũng đưa vào điều chuẩn vòng quay danh mục để tính đến hoạt động giao dịch và chi phí liên quan.

Backtest được báo cáo bao quát hơn một thập kỷ giao dịch quyền chọn cổ phiếu của các doanh nghiệp thuộc S&P 100. Các tác giả báo cáo hiệu suất đã điều chỉnh theo rủi ro tốt hơn các chiến lược dựa trên quy tắc và mức cải thiện bổ sung nhờ điều chuẩn vòng quay danh mục khi chi phí giao dịch rất cao. Bản tóm tắt không cung cấp chi tiết mô hình, số liệu hiệu suất hay thông tin về thiết kế kiểm định, nên chỉ riêng mô tả này chưa thể đánh giá độ mạnh và khả năng áp dụng thực tế rộng rãi của kết quả.

Ý chính

• Phương pháp học tín hiệu giao dịch trực tiếp từ dữ liệu thị trường quyền chọn mà không xác định động lực thị trường hay mô hình định giá quyền chọn.
• Phương pháp dùng mô hình học sâu đầu cuối để ánh xạ dữ liệu quan sát thành quyết định giao dịch.
• Điều chuẩn vòng quay danh mục được đưa vào để xử lý hoạt động giao dịch và chi phí giao dịch.
• Backtest được báo cáo bao quát hơn một thập kỷ quyền chọn trên cổ phiếu thuộc S&P 100.
• Các tác giả báo cáo hiệu suất đã điều chỉnh theo rủi ro tốt hơn các chiến lược dựa trên quy tắc.

Thẻ

# 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.

Hiển thị toàn văn kèm ghi nguồn theo giấy phép của tài liệu gốc. Giấy phép: abstract CC0

Bản tóm tắt này do tác nhân nghiên cứu của Stratmill biên soạn từ tài liệu gốc; đây không phải bản sao của tài liệu.