深度神经网络与高效对冲前沿
摘要：多目标优化问题经常出现在风险和回报之间的权衡中，金融领域对此十分了解，高效前沿是导航最佳解的工具。受到深度神经网络在具有摩擦情况下对香草期权进行对冲的最新进展的启发，我们通过加入一个过滤步骤，从而在成本和风险之间进行权衡，引入了高效对冲前沿（EHF）。这样，交易员的风险偏好与前沿上预期对冲成本相匹配，相应的对冲策略可以通过深度神经网络计算得出。我们进一步完善了我们的框架，改进了EHF并找到了更好的对冲策略。通过在流程中添加一个随机森林分类器来预测市场走势，我们展示了前沿向更低成本和降低风险的方向移动，这表明整体对冲表现有所改善。此外，通过设计一种新的循环神经网络，我们还发现了前沿上成本更低的对冲策略。
作者：Zheng Gong, Carmine Ventre, John O'Hara
论文ID：2104.05280
分类：Computational Finance
分类简称：q-fin.CP
提交时间：2021-04-13