A deep BSDE approach for the simultaneous pricing and delta-gamma hedging of large portfolios consisting of high-dimensional multi-asset Bermudan options
提出基于离散反射 BSDE、One Step Malliavin 格式与神经网络回归 Monte Carlo 的深度方法,实现高维多资产百慕大期权大型投资组合的联合定价及 delta-gamma 对冲。
2025-02-17 q-fin.CP q-fin.RM
Bartlett's delta in the SABR model
我们改进了在[2]中进行的SABR模型下的期权套期保值策略分析。特别是,我们提供了在[2]中的经验观察的理论依据,即那里引入的修改的delta(“Bartlett的delta”)提供了比传统SABR delta对冲更准确和稳健的对冲策略。
2020-05-05 q-fin.CP q-fin.PR q-fin.RM
Hedging option books using neural-SDE market models
我们研究了无仲裁的神经网络市场模型产生有效的套期保值策略的能力。特别是,我们得出的敏感性为基础的和最小方差为基础的套期保值策略,使用这些模型,并检查其性能时,应用到各种期权投资组合,使用真实世界的数据。通过对典型和压力市场时期的回测分析,我们表明,神经网络市场模型实现了较低的对冲误差比布莱克-斯科尔斯三角洲和三角洲-维加对冲一致随着时间的推移,并不敏感的期限选择的对冲工具。此外,使用市场模型进行套期保值的表现与使用赫斯顿模型进行套期保值的表现相似,而前者在市场压力时期往往更为稳健。
2022-05-31 math.PR q-fin.CP q-fin.RM
Deep Hedging, Generative Adversarial Networks, and Beyond
Northwestern University(西北大学)
本文介绍了深度学习和人工智能在金融领域的潜在应用,特别是在对冲方面的应用。主要目标包括两个目标。首先,我们提出了一个直接的政策搜索强化代理复制一个简单的香草欧式看涨期权的框架,并使用代理的无模型德尔塔对冲。通过本文的第一部分,我们展示了基于RNN的直接政策搜索RL代理如何在Q世界中基于参数生成的基础场景,特别是在风险厌恶参数较高的情况下最小化尾部风险,比经典的布莱克-斯科尔斯模型更好地执行德尔塔对冲。在本文的第二部分中,通过时间序列GANs从多变量时间空间生成的非参数路径,我们通过本文第一部分中介绍的基本的基于RNN的RL代理来说明其德尔塔对冲在不同风险规避参数值上的性能,表明我们可以在相当明显的风险收益权衡的情况下获得更高的平均利润。我们认为,这种基于RL的对冲框架是在实践中执行对冲的更有效方式,解决了经典模型的一些固有问题,提供了有希望/直观的对冲结果,并提供了一个灵活的框架,可以轻松地与其他基于AI的模型配对用于许多其他目的。
2021-03-05 cs.LG q-fin.CP q-fin.RM
What Does Deep Hedging Actually Learn? Delta Corrections, Regime Fragility, and Symbolic Distillation
New Economic School(新经济学院)
本文研究了在局部下行短缺奖励下S&P 500指数期权的实证深度对冲,探讨了学习到的对冲策略在何时失效以及是否可以被审计。通过将TD3代理与每日更新的Black-Scholes delta对冲进行比较,发现代理通常学习到比Black-Scholes更系统的delta haircut,但这种修正在恶劣条件下表现出脆弱性,符号回归将神经策略蒸馏为可交易的紧凑公式,这些公式在保留收益、下行方差和CVaR优势的同时,继承了相同的脆弱性。
2026-05-20 q-fin.CP q-fin.PR q-fin.RM
Numerical analysis on quadratic hedging strategies for normal inverse Gaussian models
作者的目的是开发两个代表性的二次套期保值策略的数值方案:局部风险最小化和均值方差套期保值策略,模型的资产价格过程是由一个正常的逆高斯过程的指数,使用Arai等人的结果。\cite{AIS},Arai和今井。这里的正态逆高斯过程是金融文献中经常出现的Lévy过程的一个框架。此外,还介绍了一些数值结果。
2018-01-17 q-fin.CP
Deep Hedging Under Realistic Market Frictions: A Regime-Conditional Empirical Study of Dynamic Option Hedging on Bitcoin Options
Visvesvaraya National Institute of Technology, Nagpur(印度理工学院那格浦尔分校)
本研究基于Deribit五年BTC期权数据,对比经典对冲方法与深度对冲模型,发现经典的Whalley-Wilmott方法在交易成本上优于深度对冲,且结果依赖市场机制,深度对冲未击败经典基准。
2026-09-01 q-fin.CP q-fin.ST
Deep Neural Network Framework Based on Backward Stochastic Differential Equations for Pricing and Hedging American Options in High Dimensions
University of Waterloo(滑铁卢大学)
我们提出了一个深度神经网络框架,用于计算高维美式期权的价格和增量。该框架的架构是一系列神经网络,其中每个网络学习相邻时间步之间的价格函数的差异。我们引入相关的倒向随机微分方程的最小二乘残差作为损失函数。我们提出的框架不仅在一个给定的点上,而且在整个时空上产生价格和增量。所提出的方法的计算成本是二次的尺寸,这解决了灾难的维数问题,国家的最先进的方法遭受。我们的数值模拟证明了这些贡献,并表明所提出的神经网络框架在高维中优于最先进的方法。
2019-09-25 cs.LG q-fin.CP stat.ML
A Monte Carlo method for exponential hedging of contingent claims
基于效用的方法为不完全金融市场中的证券定价和套期保值提供了一种非常普遍的理论上一致的方法。在基于效用的框架中解决问题通常涉及动态规划,这在实践中可能难以实现。本文提出了一种求解基于指数型效用函数U(x)=-exp(-x)的动态规划最优投资组合问题的蒙特卡罗方法。该算法的灵感来自于Longstaff-Schwartz的方法定价的美国期权的蒙特卡洛模拟,涉及学习最优的投资组合选择策略的模拟蒙特卡洛数据。它与LS框架共享直观性、简单性和灵活性。
2002-11-25 math.OC math.PR q-fin.CP
Pricing and hedging barrier options in a hyper-exponential additive model
在本文中,我们发展了一个算法来计算的价格和希腊的障碍期权在一个超指数可加模型与分段常数参数。我们得到了一个明确的半解析表达式的首次通过概率。该解决方案依赖于一个随机化和显式矩阵Wiener-Hopf分解。利用这一结果,我们得到明确的表达式的拉普拉斯-傅立叶变换的价格和希腊的障碍期权。作为一个数值说明,价格和希腊的向下和在数字和向下和在看涨期权计算的一组参数,通过同时校准Stoxx 50 E看涨期权跨罢工和四个不同的期限。通过与Monte-Carlo模拟结果的比较,我们表明该方法是快速,准确,稳定。
2009-12-31 q-fin.CP q-fin.PR
Reinforcement Learning for Credit Index Option Hedging
Intesa Sanpaolo IMI CIB(意大利联合圣保罗银行IMI企业与投资银行部)
该研究采用强化学习中的TRVO算法求解信用指数期权最优对冲策略,考虑离散时间、交易成本等现实约束,经真实市场数据验证,该策略优于传统Black & Scholes delta对冲方法。
2023-07-19 cs.LG q-fin.CP q-fin.RM
Variance Optimal Hedging for continuous time processes with independent increments and applications
对于一类普通未定权益,当其基础是一个具有独立增量的过程(PII)和一个指数PII过程时,我们建立了一个显式的Föllmer-Schweizer分解.这允许提供用于解决均值方差套期保值问题的有效算法。应用程序从电力市场衍生的模型进行。
2009-12-02 math.PR q-fin.CP q-fin.PR
Hedging in Lévy Models and the Time Step Equivalent of Jumps
Cass Business School, City University London(伦敦城市大学卡斯特商学院);Christian-Albrechts-Universität zu Kiel(基尔大学)
我们考虑期权套期保值的一个模型,其中的基础遵循指数莱维过程。我们推导出方差最优和一些次优策略以及它们的均方对冲误差的近似值。将Lévy模型看作是布莱克-斯科尔斯模型的一个扰动,得到了这些结果.近似值依赖于Lévy模型中对数股票收益率的前四阶矩和极限布莱克-斯科尔斯模型中期权价格的灵敏度。我们数值说明,我们的公式工作以及在文献中提出的各种Lévy模型。从理论的角度来看,事实证明,跳跃对对冲误差的影响与布莱克-斯科尔斯模型中的离散时间套期保值相似。
2017-07-24 q-fin.CP q-fin.RM
Deep Hedging of Derivatives Using Reinforcement Learning
University of Toronto(多伦多大学)
本文展示了如何强化学习可以用来推导出最优套期保值策略的衍生品时,有交易成本。本文通过展示使用德尔塔对冲和最优对冲之间的差异,在一个看涨期权的空头头寸时,目标是最小化一个函数等于平均对冲成本加上一个常数乘以标准差的对冲成本的方法。考虑两种情况。在第一种情况下,资产价格遵循几何布朗运动。在第二种情况下,资产价格遵循随机波动率过程。本文以多种方式扩展了基本的强化学习方法。首先,它使用两个不同的Q函数,以便针对不同的状态/动作组合跟踪成本的期望值和成本的平方的期望值。这种方法增加了可以使用的目标函数的范围。其次,它使用了一种允许连续状态和动作空间的学习算法。第三,它比较了会计损益法(在每个步骤中对套期头寸进行估值)和现金流量法(使用现金流入和流出)。我们发现,一个混合的方法,涉及使用会计损益法,结合了一个相对简单的估值模型工作得很好。估值模型不必与为基础资产价格假设的过程相对应。
2021-03-29 cs.CE cs.LG q-fin.CP
No-Transaction Band Network: A Neural Network Architecture for Efficient Deep Hedging
针对深度对冲框架因动作依赖性难以训练的问题,提出无交易区间网络架构,理论证明该策略适用于更广泛效用与衍生品,实验显示其在欧式和回望期权上比标准前馈网络更快得到更优对冲策略。
2021-03-02 q-fin.CP q-fin.PM q-fin.PR