深度强化学习在 at-the-money S&P 500 期权对冲中的应用
计算金融
2025-10-13 v1 机器学习
证券定价
摘要
本文探讨了将深度 Q 学习应用于对 S&P 500 指数at-the-money期权对冲的可能性。我们开发了一个基于双延迟深度确定性策略梯度（TD3）算法的智能体，该智能体在不对价格动力学做出明确假设的情况下进行模拟对冲决策。该智能体在2004--2024年间的S&P 500期权历史分时价格上进行训练，使用六个预测变量的时间序列：期权价格、标的资产价格、敲入率、到期时间、实现波动率以及当前对冲仓位。对训练应用了步进前向过程，导致近17年的准外样本评估。将深度强化学习（DRL）智能体的表现与黑斯廀斯-摩尔对冲策略在相同时期内进行基准测试。我们使用年化收益、波动率、信息比率和夏普比率等指标评估两种方法。为了测试模型的适应性，我们进行了在不同市场条件下的模拟，并添加了交易成本和风险意识惩罚等约束。我们的结果表明，DRL智能体在波动或高成本环境中能够优于传统对冲方法，凸显了其在实际交易情境中的鲁棒性和灵活性。虽然该智能体在对冲方面始终优于delta对冲，但当风险意识参数较高时，其表现会恶化。我们还观察到，波动率估计所使用的时间间隔越长，结果越稳定。
关键词
引用
@article{arxiv.2510.09247,
title = {Application of Deep Reinforcement Learning to At-the-Money S&P 500 Options Hedging},
author = {Zofia Bracha and Paweł Sakowski and Jakub Michańków},
journal= {arXiv preprint arXiv:2510.09247},
year = {2025}
}
备注
35 pages