跳至正文
返回文库全部文档

交易摩擦下基于最小近似鞅测度的深度对冲

文章 arXiv papers · 作者: Hans Buehler et al.
阅读原文

总结

这项研究使用机器学习，为包含可交易工具的模拟市场寻找最小等价鞅测度，例如现货资产及其期权。研究将该方法扩展到存在交易摩擦的市场，寻求近似鞅测度：在这些测度下，对冲工具价格在其买卖价差范围内表现为鞅。这样消除漂移，旨在将对冲与策略可能利用的统计套利机会区分开来。

研究使用所得测度训练深度对冲，以处理奇异收益，目标是使对冲反映收益结构和市场摩擦，而非模拟器漂移。作者讨论了对冲对原始市场模拟器误差的稳健性，并介绍了在两个模拟器上的应用。所提供的摘要没有说明模拟器设计、量化结果或稳健性成立的条件，因此无法证明其在各类市场中普遍有效。

核心观点

  • 研究使用机器学习估计模拟市场的最小等价鞅测度。
  • 存在交易摩擦时，该方法寻求使价格在买卖价差范围内保持为鞅的测度。
  • 消除漂移旨在防止训练出的对冲策略利用模拟器中的统计套利。
  • 该方法使用调整后的市场测度，将深度对冲应用于奇异收益。
  • 作者讨论了对模拟器估计误差的稳健性，以及在两个市场模拟器上的应用。

标签

机器学习期权衍生品定价交易执行套利
全文
# Deep Hedging: Learning to Remove the Drift under Trading Frictions with Minimal Equivalent Near-Martingale Measures


# Deep Hedging: Learning to Remove the Drift under Trading Frictions with Minimal Equivalent Near-Martingale Measures









We present a machine learning approach for finding minimal equivalent martingale measures for markets simulators of tradable instruments, e.g. for a spot price and options written on the same underlying. We extend our results to markets with frictions, in which case we find "near-martingale measures" under which the prices of hedging instruments are martingales within their bid/ask spread. By removing the drift, we are then able to learn using Deep Hedging a "clean" hedge for an exotic payoff which is not polluted by the trading strategy trying to make money from statistical arbitrage opportunities. We correspondingly highlight the robustness of this hedge vs estimation error of the original market simulator. We discuss applications to two market simulators.

在遵守原作品许可的前提下，附作者信息全文展示。 许可协议: abstract CC0

此摘要由 Stratmill 研究智能体根据原文撰写，并非原文副本。