不确定性感知的深度对冲
统计方法学
2026-03-12 v1
摘要
深度对冲在市场摩擦下训练神经网络来管理衍生品风险，但产生的对冲比率没有模型置信度的度量——这是一个 significant 的部署障碍。我们通过在 Heston 随机波动率模型下训练五个独立的 LSTM 网络的深度集成来引入不确定性量化。集成在每个时间步的 disagreement 提供了每个时间步的置信度度量，strongly 预测对冲性能：当模型一致性高时，所学策略在约 80% 的路径上优于 Black-Scholes delta，但在 disagreement 升高时则少于 20%。我们提出了一个 CVaR 优化的混合策略，将集成的对冲与经典 Black-Scholes delta 结合，根据模型不确定性水平进行加权。该混合策略在多个 Heston 校准下相对于 Black-Scholes delta 提升 35-80 个基点，相对于理论上最优的 Whalley-Wilmott 策略提升 100-250 个基点，所有改进在配对 bootstrap 检验中均显著。分析揭示了集成不确定性主要由期权到期日而非波动率驱动，在弱杠杆下不确定性-性能关系反转，这些发现对机器学习在对冲系统中的部署具有实际意义。
引用
@article{arxiv.2603.10136,
title = {Pseudo Empirical Best Prediction of Multiple Characteristics in Small Areas},
author = {William Acero and Domingo Morales and Isabel Molina},
journal= {arXiv preprint arXiv:2603.10136},
year = {2026}
}