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
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
Reinforcement Learning and Deep Stochastic Optimal Control for Final Quadratic Hedging
本文研究用强化学习和深度轨迹随机最优控制实现欧式看涨期权的最终二次对冲，在Black-Scholes和SABR模型下验证其性能可匹配方差最优Delta对冲，并分析了跨模型使用时的方差扩大问题。
2023-11-20 q-fin.CP
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
Deep Hedging: Continuous Reinforcement Learning for Hedging of General Portfolios across Multiple Risk Aversions
我们提出了一种方法，找到最优的套期保值政策，任意初始投资组合和市场状态。我们开发了一种新的演员-评论家算法来解决一般的风险厌恶随机控制问题，并用它来学习对冲策略，同时在多个风险厌恶水平。通过一个随机波动率环境下的数值算例，验证了该方法的有效性.
2022-07-15 q-fin.CP q-fin.RM stat.ML
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
A Comparison of Reinforcement Learning and Deep Trajectory Based Stochastic Control Agents for Stepwise Mean-Variance Hedging
本研究在逐步均值-方差目标下，比较了强化学习与基于深度轨迹的随机最优控制两种数据驱动方法在含交易成本离散交易环境中对欧式看涨期权的对冲表现，为开发自主对冲智能体提供了蓝图。
2023-11-20 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
Rethinking Synthetic Scenario Realism: Compatibility, Not Fidelity, Drives Hedging Performance
The University of Tokyo（东京大学）；Preferred Networks, Inc.（Preferred Networks 公司）
该研究针对深度对冲中合成场景评估问题，提出以兼容性而非真实性为核心的视角，理论与实证表明对冲性能由生成器与对冲者的对齐及任务结构决定，为金融合成数据设计提供了原则性基础。
2026-10-22 q-fin.CP
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
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
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
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
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
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
Hedging with Sparse Reward Reinforcement Learning
本文提出融合深度学习与强化学习的衍生品对冲框架，设计时空注意力Transformer预测市场并构建在线训练环境，结合广义几何布朗运动定价，提出BC-RPPO算法解决稀疏奖励对冲问题，中美市场实验验证其优于传统方法。
2025-03-06 q-fin.CP
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
Backward Hedging for American Options with Transaction Costs
本文提出反向对冲算法，通过经典优化与蒙特卡洛模拟，在考虑交易成本下为欧式及美式期权确定最优对冲策略，相比深度对冲更高效准确。
2023-06-23 q-fin.CP
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
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
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 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
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
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
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
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
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 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
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
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 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
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
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
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
Constrained deep learning for pricing and hedging european options in incomplete markets
Inria, CMAP, CNRS, École polytechnique, Institut Polytechnique de Paris（法国国家信息与自动化研究所，数学与计算数学中心，法国国家科学研究中心，巴黎综合理工学院，巴黎理工学院）
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
Optimal strategy and deep hedging for share repurchase programs
Politecnico di Milano（米兰理工大学）；Intesa Sanpaolo（意大利联合信贷银行）
本文提出了一种基于机器学习的框架，用于优化股份回购计划的执行和对冲，通过考虑银行的实际交易能力，提高绩效并提供可行的对冲方法。
2026-01-26 q-fin.CP q-fin.PR
Deep Reinforcement Learning Algorithms for Option Hedging
Concordia University（康考迪亚大学）
针对动态对冲问题，本文首次比较八种DRL算法（含两种新变体）的性能，以Black-Scholes delta对冲为基线，发现MCPG在根半二次惩罚指标上最优且唯一优于基线，为该领域提供算法选择参考。
2025-04-17 cs.AI cs.CE q-fin.CP
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
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
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
Deep Hedging
J.P. Morgan（摩根大通）；Eidgenössische Technische Hochschule Zürich（苏黎世联邦理工学院）
本文提出利用深度强化学习应对市场摩擦的衍生品对冲框架，展示约束交易策略可近似最优解，且在高维情形下具有高效计算性能。
2018-02-08 cs.NA math.NA math.OC
Application of Deep Reinforcement Learning to At-the-Money S&P 500 Options Hedging
Faculty of Economic Sciences, University of Warsaw（华沙大学经济学院）；Department of Quantitative Finance and Machine Learning, University of Warsaw（华沙大学量化金融与机器学习系）；TripleSun, Krakow（克拉科夫TripleSun）
本文提出基于TD3的深度强化学习智能体用于S&P 500平价期权对冲，在近17年样本外数据上优于Black-Scholes delta对冲，尤其在波动或高成本环境下表现稳健。
2025-10-10 cs.LG q-fin.CP q-fin.PR
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
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
KANHedge: Efficient Hedging of High-Dimensional Options Using Kolmogorov-Arnold Network-Based BSDE Solver
Preferred Networks, Inc.
KANHedge通过基于Kolmogorov-Arnold网络的BSDE求解器提升高维期权对冲性能。
2026-01-16 cs.LG q-fin.CP
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
Quantum Deep Hedging
QC Ware；Université de Paris（巴黎大学）；CNRS（法国国家科学研究中心）；IRIF（法国信息学研究所）；JPMorgan Chase（摩根大通）；Global Technology Applied Research, JPMorgan Chase（摩根大通全球技术应用研究部门）
本文提出基于量子神经网络的深度强化学习对冲方法，证明其可训练性，模拟显示参数更少且性能相当，分布式方法优于经典和量子基线，并在16量子比特离子阱处理器上验证。该方法可推广至其他强化学习任务。
2023-11-26 cs.LG q-fin.CP quant-ph
Robust Hedging GANs
本文提出鲁棒对冲GAN框架，通过深度对冲引擎、模型无关的数据生成过程以及模型空间距离度量三个模块的对抗性交互，自动实现对冲目标中的模型不确定性鲁棒化。
2023-07-05 q-fin.CP q-fin.MF
Deep Hedging: Learning Risk-Neutral Implied Volatility Dynamics
我们提出了一个数值有效的方法来学习一个风险中性测度的路径模拟现货和期权价格到有限的地平线下凸交易成本和凸交易约束。然后，这种方法可以用于实现随机隐含波动率模型在以下两个步骤：1。训练一个期权价格的市场模拟器，例如我们最近讨论的; 2.找到一个风险中性密度，特别是最小熵鞅测度。由此产生的模型可用于风险中性定价，或在交易成本或交易约束的情况下用于深度对冲。为了激励所提出的方法，我们还表明，市场动态是免费的“统计套利“的交易成本的情况下，当且仅当他们遵循风险中性测度。此外，我们提供了一个更一般的特征存在凸交易成本和交易约束。这些结果可以看作是交易摩擦下统计套利资产定价基本定理的一个模拟，具有独立的意义。
2021-07-14 math.OC q-fin.CP q-fin.ST
Deep Hedging: Learning to Simulate Equity Option Markets
J.P. Morgan（摩根大通）
我们构建了基于生成对抗网络（GANs）的现实股票期权市场模拟器。我们考虑了递归和时间卷积架构，并评估了状态压缩的影响。期权市场模拟器是高度相关的，因为它们允许我们扩展有限的真实世界数据集，用于期权交易策略的培训和评估。我们表明，基于网络的生成器在一系列基准指标上优于经典方法，对抗性训练达到了最佳性能。我们的工作首次证明了GANs可以成功地应用于生成多变量金融时间序列的任务。
2019-11-05 cs.LG q-fin.CP q-fin.MF
Adversarial Training for Deep Hedging in Nonstationary Markets
University of Waterloo（滑铁卢大学）；EPFL（洛桑联邦理工学院）
针对非平稳市场，提出基于两预算DRO的WRAP对抗训练框架，通过重加权和路径扰动联合优化，提升深度对冲策略的鲁棒性，实验验证其在非平稳下增益最大。
2026-10-07 cs.LG math.OC q-fin.CP
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
Deep Learning-Based BSDE Solver for Libor Market Model with Application to Bermudan Swaption Pricing and Hedging
Wells Fargo Bank（富国银行）
本文提出了一种基于深度学习的BSDE求解器，用于解决Bermudan期权的高维随机优化控制问题，展示了该方法在利率衍生品定价和对冲中的高效性和有效性。
2018-09-22 cs.NA math.NA q-fin.CP
