Học sâu có điều chỉnh rủi ro cho danh mục quyền chọn phòng hộ

Tóm tắt

Nghiên cứu này trình bày một khuôn khổ học sâu dựa trên dữ liệu lịch sử cho giao dịch quyền chọn có hệ thống, tích hợp trực tiếp độ nhạy rủi ro của danh mục vào quá trình huấn luyện. Hàm mục tiêu kết hợp hàm mất mát hướng đến hiệu suất với khoản phạt khả vi đối với mức độ tiếp xúc với các yếu tố rủi ro được chọn. Cách này khuyến khích danh mục được học đáp ứng các ràng buộc phòng hộ đã chọn trong khi tối ưu hóa lợi nhuận đã điều chỉnh theo rủi ro, mà không dựa vào động lực thị trường mô phỏng để học chính sách phòng hộ.

Khuôn khổ được đánh giá trên các danh mục straddle delta trung hòa tĩnh của quyền chọn cổ phiếu Nasdaq 100, với khoản phạt nhắm đến mức độ tiếp xúc định hướng bậc nhất. Các tác giả so sánh khoản phạt được chuẩn hóa theo mức độ tiếp xúc với khoản phạt độ trôi của tỷ số Greek. Họ báo cáo rằng điều chuẩn phù hợp cải thiện hiệu suất ngoài mẫu đã điều chỉnh theo rủi ro so với chuẩn không điều chuẩn, đồng thời giảm mức độ tiếp xúc định hướng thực tế. Bằng chứng chỉ giới hạn ở danh mục và thị trường được mô tả; tài liệu không nêu giai đoạn lấy mẫu, thước đo hiệu suất, chi tiết hiệu chỉnh khoản phạt hoặc cách xử lý chi phí giao dịch.

Ý chính

• Hàm mục tiêu huấn luyện kết hợp tối ưu hóa lợi nhuận với khoản phạt khả vi trên các mức độ tiếp xúc rủi ro được chọn của danh mục.
• Khuôn khổ học từ dữ liệu lịch sử thay vì động lực thị trường mô phỏng.
• Phần triển khai nghiên cứu các danh mục straddle delta trung hòa tĩnh trên quyền chọn Nasdaq 100.
• Hai thiết kế khoản phạt nhắm đến mức độ tiếp xúc định hướng bậc nhất.
• Các khoản phạt được hiệu chỉnh mà nghiên cứu báo cáo giúp cải thiện hiệu suất ngoài mẫu đã điều chỉnh theo rủi ro và giảm mức độ tiếp xúc định hướng thực tế.

Thẻ

# 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.

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.