跳至正文
返回文库全部文档

用于股票期权交易的端到端深度学习

文章 arXiv papers · 作者: Wee Ling Tan et al.
阅读原文

总结

本文介绍一种端到端机器学习方法，可将期权市场数据直接映射为交易信号。与指定市场动态或依赖期权定价模型的方法不同，该方法训练模型学习观测数据与交易决策之间的关系。它还采用换手率正则化，以考虑交易活动及其成本。

报告的回测覆盖了标准普尔100成分股期权、时间跨度超过十年。作者报告称，相比基于规则的策略，该方法取得了更好的风险调整后表现；在交易成本极高时，换手率正则化还带来进一步提升。摘要未提供模型细节、表现数据或验证设计信息，因此仅凭此描述无法评估结果的可信度及实际适用范围。

核心观点

  • 该方法直接从期权市场数据中学习交易信号，无需指定市场动态或期权定价模型。
  • 该方法使用端到端深度学习模型，将观测数据映射为交易决策。
  • 该方法采用换手率正则化，以应对交易活动和交易成本。
  • 报告的回测涵盖了标准普尔100成分股期权，跨度超过十年。
  • 作者报告称，相比基于规则的策略，该方法的风险调整后表现有所改善。

标签

期权股票机器学习回测交易执行
全文
# 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.

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。