长期金融衍生品的深度对冲
风险管理
2020-07-31 v1 计算金融
统计金融
摘要
本研究提出了一种用于长期金融衍生品全局对冲的深度强化学习方法。考虑了与 Coleman 等人 (2007) 类似的设定，即对嵌入具有 ratchet 特征的变额年金担保中的回望期权进行风险管理。应用 Buehler 等人 (2019a) 的深度对冲算法来优化表示全局对冲策略的神经网络，该策略同时采用二次和非二次惩罚。据作者所知，这是首篇利用多种对冲工具（例如标的资产与标准期权）并在存在股票跳跃风险的情况下，对长期未定权益的全局策略进行广泛基准测试的论文。蒙特卡洛实验表明，非二次全局对冲具有巨大优势：其下行风险指标同时比最佳基准小两到三倍，并带来显著的对冲收益。分析显示，神经网络仅通过经历展现这些特征的金融市场模拟，便能有效调整其对冲决策以适应不同的惩罚以及风险资产动态的程式化事实。数值结果还表明，非二次全局策略显著更倾向于做多股票风险，从而赚取股票风险溢价。
引用
@article{arxiv.2007.15128,
title = {Deep Hedging of Long-Term Financial Derivatives},
author = {Alexandre Carbonneau},
journal= {arXiv preprint arXiv:2007.15128},
year = {2020}
}