深度对冲中的分布对抗攻击与训练

本文中，我们利用对抗攻击的概念研究了经典深度对冲策略在分布偏移下的鲁棒性。我们首先证明，标准的深度对冲模型对输入分布的微小扰动高度脆弱，导致显著的性能下降。受此启发，我们提出了一种旨在增强深度对冲策略鲁棒性的对抗训练框架。我们的方法将逐点对抗攻击扩展到分布设置，并引入了在 Wasserstein 球上对抗优化问题的计算上易于处理的重新表述。这使得能够高效训练对分布扰动具有弹性的对冲策略。通过广泛的数值实验，我们表明，经过对抗训练的深度对冲策略在样本外表现和对模型错误设定的弹性方面始终优于其经典对应策略。额外结果表明，鲁棒策略在真实市场数据上保持可靠表现，并在市场变化时期保持有效。我们的发现为在现实市场不确定性下进行鲁棒深度对冲建立了一个实用且有效的框架。