基于分布式强化学习视角的结构产品组合对冲策略
计算工程、金融与科学
2024-07-16 v1
摘要
量化金融领域的研究表明，强化学习（RL）方法在对冲金融投资组合方面取得了令人鼓舞的成果。例如，使用 RL 对欧洲期权组合进行对冲，其盈亏分布优于像 Delta 中性和 Delta-Gamma 中性这样的交易对冲策略[Cao 等 2020]。尽管对平净期权的对冲受到广泛关注，但有关结构产品组合（如自付票据）的对冲几乎没有被提及。结构产品的对冲要复杂得多，传统的 RL 方法在这一情境下往往难以胜任，因为这些产品本身的复杂性是巨大的。它们更复杂，因涉及多个障碍和优惠支付，以及更长的期限（从 7 年到十年等）。在此方向上，我们提出一种基于分布式 RL 的方法，用于对包含自付票据结构产品的投资组合进行对冲。我们将使用美国期权和数字期权作为对冲工具。通过多项实证分析，我们将展示分布式 RL 在盈亏分布方面优于传统方法，学习出更好的政策，表现出更低的 VaR（价值-at-risk）和 CVaR（条件价值-at-risk），展现了增强风险管理的潜力。
引用
@article{arxiv.2407.10903,
title = {Hedging Beyond the Mean: A Distributional Reinforcement Learning Perspective for Hedging Portfolios with Structured Products},
author = {Anil Sharma and Freeman Chen and Jaesun Noh and Julio DeJesus and Mario Schlener},
journal= {arXiv preprint arXiv:2407.10903},
year = {2024}
}