Wir präsentieren ein robustes Deep-Hedging-Framework für die Preisgestaltung und Absicherung von
Optionsportfolios, die die Trainingseffizienz und das Trainingsmodell deutlich verbessern
Robustheit. Insbesondere, Wir schlagen ein neuronales Modell für das Trainingsmodell vor
Einbettungen, die die Wege mehrerer fortschrittlicher Aktienoptionsmodelle nutzen
mit stochastischer Volatilität, um die bestehenden Zusammenhänge zu lernen
zwischen Absicherungsstrategien. Ein wesentlicher Vorteil der vorgeschlagenen Methode ist ihre
Fähigkeit, sich schnell und zuverlässig an neue Marktregime anzupassen
Neukalibrierung eines niedrigdimensionalen Einbettungsvektors, anstatt die umzuschulen
gesamtes Netzwerk. Darüber hinaus, Wir untersuchen die beobachteten Gewinn- und Verlustverteilungen
auf dem Parameterraum der Modelle, die zum Lernen der Einbettungen verwendet werden. Die Ergebnisse
zeigen, dass das vorgeschlagene Framework gut mit komplex generierten Daten funktioniert
Modelle und können als Konstruktionsgrundlage für eine effiziente und robuste Konstruktion dienen
Simulationstool zur systematischen Entwicklung eines völlig modellunabhängigen Modells
Absicherungsstrategie.

Dieser Artikel untersucht Zeitreisen und deren Auswirkungen.

PDF herunterladen: