深度强化学习在最优停止中的应用及金融工程实践
人工智能
2021-05-20 v1
摘要
最优停止是在随机系统中决定采取特定行动的正确时刻以最大化期望回报的问题。它在金融、医疗和统计等领域有诸多应用。本文中，我们采用深度强化学习（RL）学习两种金融工程应用中的最优停止策略：即期权定价与最优期权执行。我们首次对三种最先进深度RL算法识别的最优停止策略质量进行全面的实证评估：双重深度Q学习（DDQN）、类别分布RL（C51）和隐分位数网络（IQN）。在期权定价情形下，我们的结果表明，在理论Black-Scholes环境中，IQN成功识别近最优价格。另一方面，在涉及标普500指数资产的看跌期权执行问题中面对真实股票数据变动时，C51略优于IQN。更重要的是，C51算法能识别一种最优停止策略，其样本外回报比四种自然基准策略中最佳者高出8%。我们以对研究发现的讨论作结，应为相关未来研究铺平道路。
引用
@article{arxiv.2105.08877,
title = {Deep Reinforcement Learning for Optimal Stopping with Application in Financial Engineering},
author = {Abderrahim Fathan and Erick Delage},
journal= {arXiv preprint arXiv:2105.08877},
year = {2021}
}