Pricing and Hedging Prepayment Risk in a Mortgage Portfolio
了解抵押贷款提前还款对于任何提供抵押贷款的金融机构来说都是至关重要的，而且对于对冲这种意外现金流带来的风险也很重要。在这里，在荷兰抵押贷款提供商的设置，我们建议在对冲组合中包括非线性金融工具，当处理抵押贷款的选择提前偿还部分名义。基于提前还款与市场利率之间存在相关性的假设，提出了一个基于特定再融资激励的模型。线性和非线性风险通过静态对冲策略中的一组可交易工具来解决。我们将证明，一个随机模型的名义抵押贷款揭示非线性风险嵌入在提前还款选择权。基于对超过3000万个观测数据集的再融资激励的校准，定义了提前还款的函数形式，它准确地反映了借款人的行为。我们比较了这个功能的形式与一个完全理性的模型，提前还款的选择权被假定为理性行使。
2021-10-13 q-fin.CP q-fin.RM
A pure dual approach for hedging Bermudan options
本文提出一种仅依赖对偶定价公式的纯对偶算法，通过超额回报表示与严格凸化技术计算 Bermudan 期权的对冲组合，并利用 Monte Carlo 方法求解最小二乘问题，有效评估了对冲工具与再平衡频率的影响。
2024-10-17 math.PR q-fin.CP q-fin.MF
Neural Networks for Portfolio-Level Risk Management: Portfolio Compression, Static Hedging, Counterparty Credit Risk Exposures and Impact on Capital Requirement
本文提出一种可解释的神经网络框架，将大规模欧式期权投资组合压缩为更小且可自复制静态对冲的组合，并验证其在风险敞口、Greeks 和监管资本要求方面与目标组合高度一致且资本要求显著降低。
2024-02-27 q-fin.CP q-fin.PM q-fin.RM
Deep Bellman Hedging
提出一种演员-评论家型强化学习算法，利用历史数据对冲金融工具组合，支持衍生品、交易摩擦和连续状态动作空间，训练后无需重训即可提供最优对冲，并证明贝尔曼方程有限解的存在性。
2024-06-25 q-fin.CP q-fin.ST
Managing Systematic Mortality Risk in Life Annuities: An Application of Longevity Derivatives
本文评估了基于指数的长寿掉期和长寿上限的套期保值有效性。虽然掉期是对冲长寿风险的天然工具，但具有非线性回报的衍生品，如长寿上限，也提供了下行保护。建立了一个具有年龄相关漂移和波动的随机死亡率模型，并给出了寿命衍生品价格的解析表达式。对冲有效性被认为是一个假设的终身年金投资组合。人寿年金组合的对冲会就长寿风险的市场价格、对冲工具的到期日及相关年金组合的规模等一系列假设进行全面评估。该模型使用澳大利亚死亡率数据进行校准。研究结果提供了长寿对冲的全面分析，突出了线性和非线性回报结构的风险管理收益和成本。
2015-08-01 q-fin.CP q-fin.RM
A Computational Approach to Hedging Credit Valuation Adjustment in a Jump-Diffusion Setting
本研究通过关注信用评估调整（CVA）、相应的损益（P&L）和损益解释的动态对冲，有助于理解评估调整（xVA）。这是在蒙特卡罗模拟环境中完成的，基于现有文献中讨论的理论对冲框架。我们研究了一个股票欧式期权投资组合的CVA市场风险对冲，首先在布莱克-斯科尔斯设置，然后在默顿跳跃扩散设置。此外，我们分析了交易业务的银行后，包括xVA的定价。我们通过从交易台结构的角度分析和可视化投资组合的现金流，为衍生品及其xVA的对冲提供见解。案例研究表明，在交易开始时不收取CVA会导致预期损失。此外，对冲CVA市场风险对于最终获得稳定的交易策略至关重要。在布莱克-斯科尔斯模型中，这可以通过标的股票来实现，而在默顿跳跃扩散模型中，我们需要在对冲投资组合中增加额外的期权来适当对冲跳跃风险。除了模拟，我们得到的分析结果，解释我们的观察数值实验。理解CVA的套期保值有助于在实际环境中处理xVA。
2020-09-14 q-fin.CP q-fin.MF
Data-driven Approach for Static Hedging of Exchange Traded Options
提出一种数据驱动的可解释机器学习算法，用于在考虑交易成本下对交易所交易期权进行半静态对冲，实证表明其优于传统静态与动态对冲方法。
2024-01-02 q-fin.CP 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
Carbon-Sensitive Fund Construction and Hedging for Green Unit-Linked Life Insurance
University of Rome Tor Vergata（罗马托尔维加塔大学）；University “G. D’Annunzio” of Chieti-Pescara（基耶蒂-佩斯卡拉“G.达恩农齐奥”大学）；Politecnico di Milano（米兰理工大学）
研究如何构建基于企业碳强度的绿色投资组合，并采用二次方法最小化套期保值成本方差，以对冲市场、碳和死亡率风险。
2026-05-26 q-fin.CP q-fin.PM q-fin.RM
Financial Hedging and Risk Compression, A journey from linear regression to neural network
本文提出用正则化技术和共同因子分析（含改进的beta变分自编码器）解决线性回归在对冲比率估计中的局限性，以降低对冲成本并压缩风险，并通过数值示例验证性能。
2023-04-11 q-fin.CP q-fin.PM q-fin.RM
Is the difference between deep hedging and delta hedging a statistical arbitrage?
本文在GARCH市场模型下检验深度对冲与Delta对冲的差异是否构成统计套利，发现若风险度量对不利结果权重不足则该差异具有投机性，而合理选择风险度量可避免深度对冲中的投机行为。
2024-10-21 q-fin.CP q-fin.RM
Deep Hedging with Market Impact
Concordia University（康考迪亚大学）；Université du Québec à Montréal（魁北克大学蒙特利尔分校）
本文提出一种基于深度强化学习的通用市场冲击动态对冲模型，考虑凸市场冲击和冲击持续性，在低流动性环境下相比delta对冲能更有效地抑制或延迟再平衡操作并纳入额外特征。
2024-02-22 cs.AI q-fin.CP
Deep Hedging to Manage Tail Risk
Tokyo Institute of Technology（东京工业大学）
扩展 Deep Hedging 范式，采用深度神经网络参数化凸风险最小化（CVaR/ES）解决投资组合尾部风险对冲问题，在危机期模拟器实验中显著降低一日 99% CVaR 并验证了现实市场中的鲁棒性。
2025-06-27 cs.LG math.OC q-fin.CP
Making Mean-Variance Hedging Implementable in a Partially Observable Market
研究了部分可观测市场中的均值-方差套期保值问题，其中漂移过程只能通过对资产或指数过程的观测来推断。虽然大多数文献都是用对偶方法来处理MVH问题，但在这里我们研究了由Mania和Tevzadze（2003）以及Mania等人导出的三个BSDES组成的系统。（2008），并试图提供更明确的表达式，直接由从业者实现。在贝叶斯和卡尔曼-布西框架下，我们发现，相关的贝叶斯产生一个半封闭的解决方案，通过一组简单的常微分方程，允许快速的数值计算。这使得剩下的问题相当于解决欧洲或有债权下一个新的前瞻性措施，它是直接获得前瞻性的非序列蒙特卡罗模拟计划。我们还给出了一个特殊的例子，对冲头寸是在一个半封闭的形式。对于更一般的设置，我们提供了明确的近似套期保值组合的渐近展开的表达式。这些解析表达式不仅允许套期保值者实时更新套期保值头寸，而且可以通过标准蒙特卡罗模拟直接分析套期保值组合的终端分布。
2013-11-24 q-fin.CP q-fin.PM
Bounded solutions to backward SDE's with jumps for utility optimization and indifference hedging
证明了随机测度驱动的倒向随机方程有界解的结果。这些有界的解，然后应用于解决不同的随机最优化问题的指数效用模型的基础过滤是不连续的。这包括投资组合优化下的额外负债和动态效用无差别估值和部分对冲不完整的金融市场，暴露于不可预测的事件的风险。特别是，我们刻画了效用无差异套期保值策略的极限行为和风险厌恶消失的无差异价值过程。
2007-02-14 math.PR q-fin.CP
Gamma and Vega Hedging Using Deep Distributional Reinforcement Learning
我们展示了D4PG如何与分位数回归结合使用，为负责随机到达并依赖于单一标的资产的衍生品的交易员制定对冲策略。我们假设交易者在每一天结束时通过在标的资产中建立头寸来使投资组合Delta中性。我们关注的是如何利用期权交易来管理gamma和vega。期权交易须支付交易成本。我们考虑三个不同的目标函数。我们得出结论，最佳的套期保值策略取决于交易者的目标函数，交易成本的水平，以及用于套期保值的期权的到期日。我们还研究了对冲策略对标的资产假设过程的鲁棒性。
2023-01-04 cs.CE q-fin.CP
Deep Quadratic Hedging
本文提出基于深度学习BSDE求解器的二次对冲计算方法，可高效计算高维不完全市场中的最优对冲策略路径，克服维度灾难，并在Heston及其多资产多因子扩展模型上验证了高精度。
2024-11-22 cs.NA math.NA math.PR
Neural Networks for Delta Hedging
布莱克-斯科尔斯模型是在一个完美的金融市场的假设下定义的，它在理论上创造了一个完美的对冲策略，允许交易者规避期权投资组合中的风险。然而，要求零交易和连续交易的“完美金融市场”的概念在现实世界中很难实现。尽管存在这些众所周知的局限性，但学术界未能开发出足够成功的替代模型。在本文中，我们通过测试以下神经架构的对冲能力来探索基于深度神经网络（DNN）的对冲系统的前景：递归神经网络，时间卷积网络，注意力网络和跨度多层感知器网络。此外，我们试图通过将传统的衍生品对冲模型与基于DNN的方法相结合来实现更有希望的结果。最后，我们构建了\textbf{NNHedge}，这是一个深度学习框架，为实验的模型开发和评估提供了无缝的管道。
2021-12-19 q-fin.CP q-fin.PM q-fin.PR
Limit Theorems for Partial Hedging Under Transaction Costs
本文研究了在有比例交易成本的Black-Scholes（BS）模型下具有路径依赖支付的美式期权的短缺风险最小化问题。我们表明，在这种情况下，短缺风险是一个限制类似的条款在一个适当的序列的二项式模型。我们还证明了在连续时间BS模型中，对于给定的初始资本，存在一个最小化短缺风险的投资组合策略。在不存在交易成本的情况下（完全市场），Dolinsky和Kifer（2008，2010）对博弈期权也得到了类似的极限定理。在存在交易成本的情况下，市场不再完整，需要更多的机器。有交易成本的美式期权的短缺风险最小化问题以前没有研究过。
2010-04-08 math.PR q-fin.CP q-fin.PR
The QLBS Q-Learner Goes NuQLear: Fitted Q Iteration, Inverse RL, and Option Portfolios
NYU Tandon School of Engineering（纽约大学坦登工程学院）
QLBS模型是基于动态规划（DP）和强化学习（RL）的离散时间期权对冲和定价模型。它结合了著名的Q-学习方法的RL和Black-Scholes（-Merton）模型的思想，减少了期权定价和对冲的问题的最佳再平衡的动态复制投资组合的选择，这是由股票和现金的问题。在这里，我们扩展了几个NuQLear（数值Q学习）主题与QLBS模型。首先，我们研究了模型的RL（数据驱动）解决方案的拟合Q迭代的性能，并将其与DP（基于模型）解决方案以及BSM模型进行了基准测试。其次，我们为模型开发了一个反向强化学习（IRL）设置，在这个设置中，我们只观察交易者采取的价格和行动（重新对冲），而不观察奖励。第三，我们概述了QLBS模型可以用于定价的选项组合，而不是一个单一的选项隔离，从而提供自己的，数据驱动和模型独立的解决方案（在）著名的波动率微笑问题的布莱克-斯科尔斯模型。
2018-01-17 cs.LG q-fin.CP
Robust deep hedging
本文研究了一类马尔可夫过程在参数不确定性下的定价和套期保值问题，我们称之为广义仿射过程，其中包括布莱克-斯科尔斯模型和常数方差弹性（CEV）模型作为特例.基于一般的动态规划原理，我们能够将相关的非线性期望与Kolmogorov方程的变分形式联系起来，这为稳健框架中的快速数值定价打开了大门。本文的主要创新之处在于，我们提出了一种深度对冲方法，有效地解决了参数不确定性下的对冲问题。我们在模拟和真实数据上对这种方法进行了数值评估，结果表明，稳健的深度对冲优于现有的对冲方法，特别是在高度波动的时期。
2021-11-29 math.PR q-fin.CP q-fin.MF
Taming the Greeks: Option Portfolios with Inductive Biases
University of Oxford（牛津大学）；Oxford-Man Institute of Quantitative Finance（牛津-曼氏量化金融研究所）
本文提出一种端到端深度学习框架，通过可微风险敏感性惩罚实现期权组合的希腊字母中性，在纳斯达克100期权上提升样本外风险调整后表现并降低方向性暴露。
2026-09-29 cs.LG q-fin.CP q-fin.PM
Towards a fast and robust deep hedging approach
提出一种基于模型嵌入的稳健深度对冲框架，通过低维向量重校准快速适应新市场制度，提升训练效率与稳健性，并支持开发模型无关的对冲策略。
2025-04-23 q-fin.CP
Adaptive Nesterov Accelerated Distributional Deep Hedging for Efficient Volatility Risk Management
University of Victoria（维多利亚大学）
本文提出ANADDH框架，结合分布强化学习与自适应Nesterov加速，用于动态Vega对冲，提升波动率风险管理的效率与收敛性能。
2025-02-25 cs.LG q-fin.CP
Deep Equal Risk Pricing of Financial Derivatives with Multiple Hedging Instruments
本文研究了欧洲金融衍生品定价的等风险定价框架。该期权定价方法与全球交易策略一致，将期权溢价设定为在最优套期保值下，期权多头和空头头寸的剩余套期保值风险相等的价值。考虑Marzban等人（2020）的ERP设置，其中使用凸风险度量量化剩余对冲风险。本文的主要目的是通过广泛的数值实验的影响，包括期权作为对冲工具ERP框架内进行评估。Carbonneau和Godin（2020）开发的强化学习程序依赖于Buehler等人（2019 b）的深度对冲算法，通过用神经网络表示交易策略，应用于数值求解全局对冲问题。在其他研究结果中，数值结果表明，在跳跃风险的存在下，对冲长期看跌期权与短期期权需要一个显着降低的相等风险的价格和市场的不完整性相比，只交易股票。蒙特卡罗实验证明了ERP作为一种公平估值方法的潜力，提供与可观察市场价格一致的价格。分析表明，ERP的能力，跨越一个大的价格区间，通过选择凸风险措施，这是接近包含方差最优保费。
2021-02-25 math.OC q-fin.CP q-fin.RM
Efficient Learning of Nested Deep Hedging using Multiple Options
本研究提出一种嵌套深度对冲的高效学习方法，通过深度神经网络为作为对冲工具的期权定价以感知市场摩擦，并采用三种技术减少冗余计算，有效降低了对冲风险并避免了套利机会。
2023-05-20 q-fin.CP
Deeper Hedging: A New Agent-based Model for Effective Deep Hedging
本文提出Chiarella-Heston智能体模型，融合动量、基本面和波动率交易者以生成更真实的金融数据，并用其训练基于深度确定性策略梯度的深度对冲智能体，在多数交易成本水平下取得优于基线的对冲效果。
2023-10-28 q-fin.CP
Deep Hedging of Long-Term Financial Derivatives
本文提出了一种用于长期金融衍生品全球对冲的深度强化学习方法。与Coleman et al.（2007）类似的设置被认为是嵌入在具有棘轮特征的可变年金担保中的回望期权的风险管理。Buehler等人（2019 a）的深度对冲算法被应用于优化神经网络，该神经网络表示具有二次和非二次惩罚的全局对冲策略。据作者所知，这是第一份文件，提出了一个广泛的基准全球政策的长期或有债权与使用各种对冲工具（如基础和标准期权），并与股票跳跃风险的存在。蒙特卡罗实验证明了非二次全局对冲的巨大优越性，因为它同时导致下行风险指标比最佳基准小两到三倍，并获得显著的对冲收益。分析表明，神经网络能够有效地适应他们的对冲决策，以不同的惩罚和程式化的事实，风险资产动态，只有通过模拟表现出这些功能的金融市场。数值结果还表明，非二次的全球政策是显着更适合于长期股权风险，这需要赚取股权风险溢价。
2020-07-29 q-fin.CP q-fin.RM q-fin.ST
Reinforcement learning for options on target volatility funds
Intesa Sanpaolo Group（联合圣保罗银行集团）；Marketz S.p.A.（Marketz 股份有限公司）；X-Numeris S.r.l.（X-Numeris 有限责任公司）
在这项工作中，我们处理的资金成本上升，从对冲风险证券的基础上的目标波动率策略（TVS），一个投资组合的风险资产和无风险的动态再平衡，以保持已实现波动率的投资组合在一定的水平。TVS风险投资组合中的不确定性以及每个组成部分的套期保值成本的差异需要解决一个控制问题来评估期权价格。我们推导出一个解析解的问题在布莱克和斯科尔斯（BS）的情况下。然后，我们使用强化学习（RL）技术来确定在局部波动率（LV）模型下导致最保守价格的基金组成，其中先验解不可用。我们展示了RL代理的性能如何与通过将路径明智的BS分析策略应用于TVS动态所获得的性能兼容，因此在LV场景中也具有竞争力。
2021-12-03 cs.LG q-fin.CP q-fin.PR
Deep Generators on Commodity Markets; application to Deep Hedging
在计算机视觉取得的良好成果的推动下，时间序列的深度生成方法近年来一直受到特别关注，特别是来自金融行业。在这篇文章中，我们专注于商品市场，并测试了四种最先进的生成方法，即时间序列生成对抗网络（GAN）Yoon et al. [2019]，因果最优运输GAN Xu et al.[2020]，签名GAN Ni et al. [2020]和条件欧拉生成器Remlinger et al.[2021]，并在商品时间序列上进行了调整和测试。第一系列试验涉及联合生成商品历史时间序列。第二组处理商品期权的深度对冲，在生成的时间序列上训练。这个用例说明了一种纯粹的数据驱动的风险对冲方法。
2022-05-27 q-fin.CP q-fin.PR q-fin.RM
Deep Learning Algorithms for Hedging with Frictions
本文研究了基于深度学习的数值算法在具有一般凸交易成本的市场中的最优套期保值问题，重点关注其交易时间范围的可扩展性。基于Han，Jentzen和E（2018）的FBBundle求解器和Buehler，Gonon，Teichmann和Wood（2019）的深度对冲算法的比较结果，我们提出了一种稳定转移对冲（ST-Hedging）算法，以聚合领先顺序近似公式的便利性和基于深度学习的算法的准确性。我们的ST对冲算法实现了相同的国家的最先进的性能，在短期和中等长的时间范围内的FBBACK求解器和深度对冲，以及推广到长时间范围时，以前的算法变得次优。通过迁移学习技术，ST-Hedging大大减少了训练时间，并显示出对高维设置的可扩展性。这为经济学、金融学和运筹学中基于模型的深度学习算法开辟了新的可能性，它利用了领域专家知识和基于学习的方法的准确性。
2022-12-27 q-fin.CP q-fin.MF q-fin.PM
Robust Hedging Valuation Adjustment for Deep Hedging Policies under Market Frictions
Soka University（创价大学）
研究在市场摩擦下对衍生品头寸套期保值的交易规则，应用稳健套期保值估值调整，结合资金和保证金附加项评估跟踪损失CVaR，在不同流动性市场比较经典与学习到的套期保值规范，给出不同风险预算下的选择建议。
2026-07-29 q-fin.CP q-fin.PR q-fin.RM
Deep Hedging under Rough Volatility
我们研究了训练路径超出（有限维）马尔可夫设置下的深度对冲框架的性能。特别是，我们分析了对冲性能的原始架构下粗糙的波动率模型，鉴于现有的理论结果。此外，我们建议简约，但合适的网络架构能够捕捉时间序列的非Markoviantity。其次，我们分析了这些模型中的套期保值行为的P\&L分布和比较跳跃扩散模型，如果再平衡的频率是现实的小。
2021-02-03 cs.CE q-fin.CP
Pricing and hedging American-style options with deep learning
在本文中，我们介绍了一种用于定价和对冲美式期权的深度学习方法。它首先计算一个候选的最优停时政策。从那里，它得出了价格的下限。然后计算上界、点估计和置信区间。最后，构造了一种近似动态套期保值策略.我们测试的方法对不同规格的最大-看涨期权。在所有情况下，它都能产生高度准确的价格和动态对冲策略，复制误差很小。
2020-07-18 q-fin.CP
Fast Deep Hedging with Second-Order Optimization
Imperial College London（帝国理工学院）；J.P. Morgan（摩根大通）
针对深度对冲神经网络训练收敛慢的问题，提出基于路径可微性、块对角近似与克罗内克因子分解的二阶优化方案，在棘轮期权对冲任务中步数仅为标准方法的1/4。
2024-10-29 cs.LG q-fin.CP q-fin.RM
The Efficient Hedging Frontier with Deep Neural Networks
风险和收益之间的权衡产生了在金融中很好理解的多标准优化问题，有效前沿是导航其最优解集的工具。受深度神经网络在市场摩擦时对冲普通期权方面的最新进展的启发，我们引入了有效对冲边界（EHF），通过过滤步骤丰富管道，允许权衡成本和风险。通过这种方式，交易者的风险偏好与前沿的预期对冲成本相匹配，并且可以使用深度神经网络计算相应的对冲策略。我们进一步发展我们的框架，以改善EHF，并找到更好的对冲策略。通过在管道中添加随机森林分类器来预测市场走势，我们展示了前沿如何向更低的成本和更低的风险转移，这表明整体对冲性能有所改善。此外，通过设计一个新的递归神经网络，我们还发现了对冲成本更低的前沿策略。
2021-04-12 q-fin.CP
Enhancing Deep Hedging of Options with Implied Volatility Surface Feedback Information
Department of Finance, HEC Montréal, Canada（蒙特利尔HEC金融系）；GERAD and Department of Decision Sciences, HEC Montréal, Canada（GERAD与蒙特利尔HEC决策科学系）；Concordia University, Department of Mathematics and Statistics, Canada（康科迪亚大学数学与统计学系）
本文提出一种整合隐含波动率曲面动态信息的S&P 500期权动态对冲方案，采用深度策略梯度强化学习算法优化策略，在模拟与回测中显著优于常规基准，尤其在存在交易成本时表现更佳。
2025-08-12 cs.LG q-fin.CP q-fin.RM
Adversarial Deep Hedging: Learning to Hedge without Price Process Modeling
The University of Tokyo（东京大学）；Preferred Networks, Inc.（Preferred Networks 公司）
提出对抗深度对冲框架，通过对抗训练对冲者与生成器，无需显式建模资产价格过程，实现稳健对冲并在真实市场数据上达到竞争性能。
2023-07-25 cs.AI q-fin.CP
Enhancing Black-Scholes Delta Hedging via Deep Learning
本文提出一种期权深度delta对冲框架，通过神经网络学习对冲函数与隐含Black-Scholes delta间的残差，利用残差平滑性提升性能，实证显示该方法显著提升对冲效果且所需数据更少。
2024-08-24 q-fin.CP q-fin.ST stat.ML
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
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
Deep kernel hedging
University of Amsterdam（阿姆斯特丹大学）；ETH Zurich（苏黎世联邦理工学院）；Université Catholique de Louvain（鲁汶大学）
本文提出深度核套期保值框架，结合深度学习灵活性与核方法归纳偏置，通过神经网络参数化核并采用随机傅里叶近似降低计算成本，在低数据场景下实现稳健的套期保值性能。
2026-10-15 cs.LG math.FA q-fin.CP
Insights on Time-consistent Deep Hedging under Elicitable Dynamic Risk Measures
River Hill High School（里弗山高中）；Concordia University（康科迪亚大学）
本研究针对高维一篮子期权对冲问题，利用谱风险测度的条件可诱导性构建时间一致深度对冲策略，通过基准对比验证其可行性与优势。
2026-10-15 q-fin.CP
Experimental Analysis of Deep Hedging Using Artificial Market Simulations for Underlying Asset Simulators
Preferred Networks, Inc.（Preferred Networks公司）
针对深度对冲中标的资产模拟模型选择难题，本研究提出用人工市场模拟替代传统数学金融模型的方法，实验验证其性能与传统方法相当，同时也指出了该方法在特定条件下的性能局限。
2024-04-15 cs.AI q-fin.CP
Deep Gamma Hedging
本研究训练神经网络学习期权复制策略，发现即使标的资产动态偏离布莱克-斯科尔斯模型，网络仍能学会伽马对冲，并表明伽马对冲主要用于应对模型不确定性而非降低交易成本。
2024-09-20 q-fin.CP
Deep Hedging of Green PPAs in Electricity Markets
Steag Iqony Group（Steag Iqony集团）；Fraunhofer SCAI（弗劳恩霍夫SCAI研究所）
针对绿色PPA交易中的价格、天气及蚕食效应风险，本文提出基于机器学习的深度对冲框架，在多种风险度量下优于静态与动态基准。
2025-03-17 cs.LG q-fin.CP q-fin.RM
Deep Hedging Bermudan Swaptions
本文提出将深度对冲框架应用于百慕大式互换期权对冲，以克服传统无套利方法在真实市场环境下的局限，通过灵活选择凸风险度量与对冲策略有效管理残余损益，并引入具有直观可解释性的“期权价差对冲”策略以提升稳健性。
2024-11-15 q-fin.CP q-fin.PR
Constrained deep learning for pricing and hedging european options in incomplete markets
本文提出约束深度学习方法，用于在不完全市场中处理欧洲期权的定价与对冲，通过约束架构解决非光滑支付问题，提升P&L分布性能。
2025-11-25 q-fin.CP stat.ML
Bridging Stochastic Control and Deep Hedging: Structural Priors for No-Transaction Band Networks
Université Paris-Dauphine PSL（巴黎第九大学）；Natixis CIB（Natixis企业银行部）
本文从两个视角研究比例交易成本下欧式看涨期权的对冲与定价问题，提出基于无交易带网络的深度对冲方法，通过结构先验提升模型性能。
2026-03-31 q-fin.CP q-fin.PM q-fin.PR
Deep Hedging: Learning to Remove the Drift under Trading Frictions with Minimal Equivalent Near-Martingale Measures
我们提出了一种机器学习方法，用于为可交易工具的市场模拟器找到最小等价鞅测度，例如现货价格和相同基础上的期权。我们将我们的结果推广到摩擦市场，在这种情况下，我们发现“近鞅测度“下，套期保值工具的价格是鞅在其买卖价差。通过消除漂移，我们就能够学习使用深度对冲，这是一种“干净”的对冲，可以获得一个不受试图从统计套利机会中赚钱的交易策略污染的奇异回报。我们相应地强调了这种对冲的鲁棒性与原始市场模拟器的估计误差。我们讨论两个市场模拟器的应用。
2022-01-11 q-fin.CP stat.ML
Hedging with memory: shallow and deep learning with signatures
École Polytechnique（巴黎高等理工学院）；Université Paris 1 Panthéon-Sorbonne（巴黎第一大学）；CES Gefip（研究中心）
本文研究在非马尔可夫随机波动率模型下利用路径签名进行奇异衍生品对冲，深度学习下优于LSTM且计算量更低，浅层学习下校准的签名波动率模型对冲结果更准确稳定。
2025-08-03 cs.LG q-fin.CP q-fin.MF
Equal Risk Pricing of Derivatives with Deep Hedging
本文提出了一种用于定价和对冲金融衍生品的深度强化学习方法。这种方法扩展了Guo和Zhu（2017）的工作，他们最近引入了等风险定价框架，其中或有债权的价格是通过分别与衍生品中的多头和空头头寸相关联的最佳对冲剩余风险敞口来确定的。对后一种方案的修改被认为是为了规避与原始方法相关的理论陷阱。通过这种经修改的方法获得的衍生工具价格显示为无仲裁。本文还提出了一种通用且易于操作的等风险定价框架的实现，该框架受到Buehler et al.（2019）的深度对冲算法的启发。一个$ε$完整性措施，允许量化的剩余套期保值风险与衍生工具也提出了。后一种措施推广了Bertsimas等人（2001）提出的基于二次惩罚的措施。蒙特卡罗模拟在各种各样的市场动态下进行，以证明我们的方法的实用性，相对于传统方法进行基准测试，并进行敏感性分析。
2020-06-07 q-fin.CP q-fin.MF q-fin.PR
Is Deep Hedging Reinforcement Learning?
Concordia University（康科迪亚大学）；Quantact Laboratory, Centre de Recherches Mathématiques（量化实验室，数学研究中心）
探讨Buehler等人（2019年）的深度套期保值算法是否属于强化学习，针对审稿人质疑，从对强化学习的理解角度出发，指出若按领域标准将蒙特卡罗策略梯度方法等纳入，该算法应属强化学习范畴。
2026-07-20 q-fin.CP
Uncertainty-Aware Deep Hedging
London School of Economics and Political Science（伦敦政治经济学院）
本文提出一种基于深度集合的不确定性量化方法，改进深度对冲策略，通过结合Black-Scholes delta和模型不确定性，提升对冲效果。
2026-03-10 q-fin.CP
