Delta Hedging 的神经网络
由crisvalentine创建，最终由crisvalentine 被浏览 57 用户
论文原名
NEURAL NETWORKS FOR DELTA HEDGING
论文作者
Guijin Son and Joocheol Kim
发布时间
2021 年 12 月 21 日
引言
在完美金融市场假设下定义的 Black-Scholes 模型，理论上创建一个完美的对冲策略，允许交易者规避期权组合中的风险。然而，“完美金融市场”的概念，要求零交易和持续交易，在现实世界中遇到是具有挑战性的。尽管存在如此广为人知的局限性，但学者们已经未能开发出足够成功的替代模型以建立长期。在本文中，我们通过测试对冲探索基于深度神经网络 (DNN) 的对冲系统的前景以下神经架构的容量：循环神经网络、时间卷积网络、注意力网络和跨度多层感知器网络 此外，我们尝试通过将传统的衍生对冲模型与基于 DNN 的方法。最后，我们构建了 NNHedge，一个深度学习框架，提供用于模型开发和实验评估的无缝管道。
简介
在为金融业和金融业提供动力的众多金融文献中学术界，Black-Scholes 模型作为金融衍生品市场的事实上的标准已经有半年了。世纪 [ 1 ]。然而，布莱克-斯科尔斯模型涉及金融市场是完美的假设，需要交易者根据市场不完善情况进行人为调整。这带来了强烈的依赖交易者的直觉，这很容易出现各种错误校准引起的错误。为了解决这些缺陷，最近的工作利用最先进的深度学习技术试图建立最佳对冲对市场不完善的稳健策略 [ 2, 3]。不幸的是，上述作品采用了神经架构具有高度共谋性（例如，生成对抗网络或强化学习）进行复制或扩张极其困难。在本文中，我们的目标是建立在之前的努力的基础上，这些努力旨在利用神经架构来实现衍生品对冲，通过对一系列广泛的行为进行全面和可重复的调查基于 DNN 的对冲系统。我们的工作按以下顺序组织。首先，我们回顾过去的文献以设定一个传统衍生对冲的理论基础和最先进的神经架构。然后，我们构建了一系列DNN 模型，包括循环神经网络、时间卷积网络、注意力网络和跨度多层感知器网络。接下来，我们在模拟欧洲看涨期权上拟合和评估我们的模型遵循几何布朗运动的资产。因此，我们的工作报告了关于神经网络的三个主要影响衍生品对冲。1. 及时证明在教授传统对冲策略时，神经网络的损益得分较低。2. 观察到神经网络更多地关注历史数据来计算当前的 delta 值。3.神经导数对冲深度学习框架NNHedge开源
论文PDF
/wiki/static/upload/4a/4aeb6be0-cba3-41cd-a088-74512d55abfb.pdf
\