Taming the Greeks: Option Portfolios with Inductive Biases
Aggiunta all'archivio di AIChronos il (numero del 27 settembre 2026 ricostruito)· fonte del · Wee Ling Tan, Stephen Roberts, Stefan Zohren
L'articolo presenta un framework di deep learning end-to-end per il trading sistematico su opzioni che incorpora direttamente comportamenti di copertura tramite il controllo esplicito delle esposizioni al rischio a livello di portafoglio. A differenza dei metodi basati sul reinforcement learning, questo approccio opera interamente su dati storici ottimizzando simultaneamente i rendimenti aggiustati per il rischio e vincoli specifici sulle sensibilità ai fattori sottostanti. L'obiettivo di training combina una funzione di perdita orientata alle prestazioni con un penalità differenziabile sulla sensibilità al rischio che enforcing neutralità verso dimensioni selezionate del rischio.
- Il framework utilizza una penalità differenziabile per imporre la neutralità a fattori specifici come il delta, evitando l'uso di dinamiche di mercato simulate.
- Vengono valutati due varianti della penalità: exposure-normalized penalty e Greek-ratio drift penalty applicate a portafogli straddle statici neutri al delta.
- I risultati empirici su opzioni Nasdaq 100 mostrano un miglioramento delle prestazioni out-of-sample rispetto alle baseline non regolarizzate con una riduzione dell'esposizione direzionale realizzata.
Perché conta. Sebbene il paper si concentri sul trading di opzioni, i principi di controllo esplicito degli 'exposures' tramite penalità differenziabili sono rilevanti per gli sviluppatori che progettano agenti AI o sistemi locali dove è cruciale garantire stabilità e neutralità rispetto a specifici bias nei dati di training.
Scheda generata automaticamente da un modello AI locale a partire dalla fonte originale: può contenere imprecisioni.