Fugu-MT 論文翻訳(概要): Hedging of Financial Derivative Contracts via Monte Carlo Tree Search

論文の概要: Hedging of Financial Derivative Contracts via Monte Carlo Tree Search

arxiv url: http://arxiv.org/abs/2102.06274v1
Date: Thu, 11 Feb 2021 21:17:01 GMT
ステータス: 処理完了
システム内更新日: 2021-02-15 13:15:25.781735
Title: Hedging of Financial Derivative Contracts via Monte Carlo Tree Search
Title（参考訳）: モンテカルロツリー探索による金融デリバティブ契約のヘッジ
Authors: Oleg Szehr
Abstract要約: 本稿では,現実市場における金融デリバティブのヘッジに関するモンテカルロ木探索について紹介する。理論的・実践的両面で、他の強化学習法よりも有利な理由があることが示されている。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: The construction of approximate replication strategies for derivative contracts in incomplete markets is a key problem of financial engineering. Recently Reinforcement Learning algorithms for pricing and hedging under realistic market conditions have attracted significant interest. While financial research mostly focused on variations of $Q$-learning, in Artificial Intelligence Monte Carlo Tree Search is the recognized state-of-the-art method for various planning problems, such as the games of Hex, Chess, Go,... This article introduces Monte Carlo Tree Search for the hedging of financial derivatives in realistic markets and shows that there are good reasons, both on the theoretical and practical side, to favor it over other Reinforcement Learning methods.
Abstract（参考訳）: 不完全市場におけるデリバティブ契約の近似レプリケーション戦略の構築は金融工学の重要な問題である。近年、リアルな市場条件下での価格設定とヘッジのための強化学習アルゴリズムが注目されている。金融研究は主に$ Q$-ラーニングのバリエーションに焦点を当てていますが、人工知能のモンテカルロツリー検索では、ヘックス、チェス、Goなどのさまざまな計画問題のための最先端の方法が認識されています。本稿では,現実市場における金融デリバティブのヘッジに対するモンテカルロ木探索について紹介し,他の強化学習法よりもモンテカルロ木探索の方が理論的・実践的に有利であることを示す。

関連論文リスト

Contractual Reinforcement Learning: Pulling Arms with Invisible Hands [68.77645200579181]
本稿では,契約設計によるオンライン学習問題において,利害関係者の経済的利益を整合させる理論的枠組みを提案する。計画問題に対して、遠目エージェントに対する最適契約を決定するための効率的な動的プログラミングアルゴリズムを設計する。学習問題に対して,契約の堅牢な設計から探索と搾取のバランスに至るまでの課題を解き放つために,非回帰学習アルゴリズムの汎用設計を導入する。
論文参考訳（メタデータ） (2024-07-01T16:53:00Z)
AlphaFin: Benchmarking Financial Analysis with Retrieval-Augmented Stock-Chain Framework [48.3060010653088]
我々はAlphaFinデータセットをリリースし、従来の研究データセット、リアルタイム財務データ、手書きのチェーン・オブ・プリート(CoT)データを組み合わせています。次に、AlphaFinデータセットを使用して、金融分析タスクを効果的に処理するために、Stock-Chainと呼ばれる最先端の手法をベンチマークします。
論文参考訳（メタデータ） (2024-03-19T09:45:33Z)
Factor Investing with a Deep Multi-Factor Model [123.52358449455231]
我々は、業界中立化と市場中立化モジュールを明確な財務見識をもって取り入れた、新しい深層多要素モデルを開発する。実世界の株式市場データによるテストは、我々の深層多要素モデルの有効性を示している。
論文参考訳（メタデータ） (2022-10-22T14:47:11Z)
Quantum computational finance: martingale asset pricing for incomplete markets [69.73491758935712]
金融の価格問題に様々な量子技術を適用することができることを示す。従来の研究と異なる3つの方法について議論する。
論文参考訳（メタデータ） (2022-09-19T09:22:01Z)
Deep Reinforcement Learning for Market Making Under a Hawkes Process-Based Limit Order Book Model [0.0]
深い強化学習に基づくコントローラは、市場形成制御を得るために、弱い一貫した多変量ホークスプロセスベースのリミットオーダーブックシミュレーターで訓練される。提案手法はモンテカルロのバックテストの利点を活用し、弱い一貫したリミテッドオーダーブックモデルの下での市場形成の研究に寄与する。
論文参考訳（メタデータ） (2022-07-20T14:54:40Z)
Bayesian Bilinear Neural Network for Predicting the Mid-price Dynamics in Limit-Order Book Markets [84.90242084523565]
伝統的な時系列計量法は、価格力学を駆動する多層相互作用の真の複雑さを捉えることができないことが多い。最先端の2次最適化アルゴリズムを採用することで、時間的注意を払ってベイジアン双線形ニューラルネットワークを訓練する。予測分布を用いて推定パラメータとモデル予測に関連する誤差や不確実性を解析することにより、ベイズモデルと従来のML代替品を徹底的に比較する。
論文参考訳（メタデータ） (2022-03-07T18:59:54Z)
A Unified Perspective on Value Backup and Exploration in Monte-Carlo Tree Search [41.11958980731047]
本稿では,新たに導入されたバックアップ演算子とエントロピー正規化に基づく収束率と探索率を改善する2つの手法を提案する。この理論的な定式化は、我々が新たに導入したものも含めて、同じ数学的枠組みの下で異なるアプローチを統一することを示します。実際には、我々の統合された視点は、目の前の問題に応じて単一の$alpha$パラメータをチューニングすることで、探索と搾取のバランスをとる柔軟な方法を提供する。
論文参考訳（メタデータ） (2022-02-11T15:30:08Z)
What Data Augmentation Do We Need for Deep-Learning-Based Finance? [2.470815298095903]
我々は、定量的ファイナンスのための深層学習に基づくアプローチにおけるデータ拡張の利用を理解するための理論的枠組みの開発に焦点をあてる。提案理論は, ファイナンスにおけるデータ拡張の役割と必要性を明らかにし, さらに, ランダムな強度ノイズを注入する単純なアルゴリズムを動機付けている。このアルゴリズムは実際にうまく動作することが示されている。
論文参考訳（メタデータ） (2021-06-08T05:26:58Z)
Confronting Machine Learning With Financial Research [0.0]
本研究の目的は,金融研究における機械学習の課題と応用を検討することである。金融における機械学習の主な課題について論じ、それらがどのように説明できるのかを検討する。
論文参考訳（メタデータ） (2021-02-28T01:10:09Z)
Deep Portfolio Optimization via Distributional Prediction of Residual Factors [3.9189409002585562]
そこで本稿では,残余要因と呼ばれる金融量分布の予測に基づくポートフォリオ構築手法を提案する。本手法が米国および日本の株式市場データに有効であることを実証する。
論文参考訳（メタデータ） (2020-12-14T04:09:52Z)
Cost-Sensitive Portfolio Selection via Deep Reinforcement Learning [100.73223416589596]
深層強化学習を用いたコスト依存型ポートフォリオ選択手法を提案する。具体的には、価格系列パターンと資産相関の両方を抽出するために、新しい2ストリームポートフォリオポリシーネットワークを考案した。蓄積したリターンを最大化し、強化学習によるコストの両立を抑えるため、新たなコスト感受性報酬関数が開発された。
論文参考訳（メタデータ） (2020-03-06T06:28:17Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。