EX-DRL：基于极端分布性强化学习的重大损失对冲
风险管理
2024-08-28 v2 机器学习
统计金融
摘要
近期分布性强化学习（DRL）在建模损失分布方面的进展显示出在衍生品市场开发期货对冲策略的前景。DRL 的常见方法涉及使用分位数回归（QR）在指定水平上学习损失分布的分位数。该方法在期权对冲中尤为有效，因为其直接的分位数风险评估，例如价值-at-风险（VaR）和条件价值-at-风险（CVaR）。然而，这些风险度量依赖于对损失分布尾部极端分位数的准确估计，而在基于 QR 的 DRL 中由于尾部数据稀缺且极端，这一估计可能不够精确（文献中已有论述）。为解决此问题，我们提出了采用广义帕areto分布（GPD）建模损失分布尾部的极端 DRL（EX-DRL）。该方法引入补充数据以缓解极端分位数观测稀缺的问题，从而通过 QR 提高估计精度。针对 gamma 期货期权进行的全面实验表明，EX-DRL 在提供更精确的极端分位数估计方面优于现有的 QR 基础模型，从而改善了复杂金融风险管理中风险指标的计算与可靠性。
引用
@article{arxiv.2408.12446,
title = {EX-DRL: Hedging Against Heavy Losses with EXtreme Distributional Reinforcement Learning},
author = {Parvin Malekzadeh and Zissis Poulos and Jacky Chen and Zeyu Wang and Konstantinos N. Plataniotis},
journal= {arXiv preprint arXiv:2408.12446},
year = {2024}
}
备注
14 pages