Fugu-MT 論文翻訳(概要): Data-driven Hedging of Stock Index Options via Deep Learning

論文の概要: Data-driven Hedging of Stock Index Options via Deep Learning

arxiv url: http://arxiv.org/abs/2111.03477v1
Date: Fri, 5 Nov 2021 12:53:47 GMT
ステータス: 処理完了
システム内更新日: 2021-11-08 15:44:42.486876
Title: Data-driven Hedging of Stock Index Options via Deep Learning
Title（参考訳）: ディープラーニングによる株価指数オプションのデータ駆動ヘッジ
Authors: Jie Chen, Lingfei Li
Abstract要約: 我々は、オプションデータから直接S&P500インデックスオプションのヘッジ比を学習するために、ディープラーニングモデルを開発する。特徴の異なる組み合わせを比較し、成熟までの時間を持つフィードフォワードニューラルネットワークモデル、Black-Scholes deltaおよび感情変数が、アウトオブサンプルテストにおいて最善であることを示す。
参考スコア（独自算出の注目度）: 6.952039070065292
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We develop deep learning models to learn the hedge ratio for S&P500 index options directly from options data. We compare different combinations of features and show that a feedforward neural network model with time to maturity, Black-Scholes delta and a sentiment variable (VIX for calls and index return for puts) as input features performs the best in the out-of-sample test. This model significantly outperforms the standard hedging practice that uses the Black-Scholes delta and a recent data-driven model. Our results demonstrate the importance of market sentiment for hedging efficiency, a factor previously ignored in developing hedging strategies.
Abstract（参考訳）: 我々は、オプションデータから直接s&p500インデックスオプションのヘッジ比を学ぶためのディープラーニングモデルを開発した。特徴の異なる組み合わせを比較して,成熟までの時間を伴うフィードフォワードニューラルネットワークモデル,black-scholes delta,感情変数(putに対するコールとインデックスリターンのvix)が,入力機能がサンプルテストで最高の性能を発揮することを示す。このモデルは、black-scholes deltaと最近のデータ駆動モデルを使用する標準的なヘッジプラクティスを大幅に上回っている。以上の結果から,ヘッジ戦略開発においてこれまで無視されていた,ヘッジ効率の市場感情の重要性が示唆された。

関連論文リスト

Enhancing Black-Scholes Delta Hedging via Deep Learning [0.0]
本稿では,ニューラルネットワークを応用して,ヒージング関数とインプリッドブラックスコールズデルタの間の残差を学習する,オプションのための深いデルタヒージングフレームワークを提案する。実験により, 平均2乗1ステップのヘッジ誤差を損失関数として用いた残差の学習は, しばしば100%以上のヒージング関数を直接学習するよりも, ヒージング性能を著しく向上させることが示された。
論文参考訳（メタデータ） (2024-07-28T02:29:51Z)
GraphCNNpred: A stock market indices prediction using a Graph based deep learning system [0.0]
我々は,テキストS&textP 500,NASDAQ,DJI,NYSE,RASELの指標の傾向を予測するために,さまざまなデータソースに適用可能なグラフニューラルネットワークベースの畳み込みニューラルネットワーク(CNN)モデルを提案する。実験の結果,F測度の観点からは,ベースラインアルゴリズム上のすべての指標の予測性能が約4%から15%に向上した。
論文参考訳（メタデータ） (2024-07-04T09:14:24Z)
Unpacking DPO and PPO: Disentangling Best Practices for Learning from Preference Feedback [110.16220825629749]
嗜好フィードバックからの学習は、現代言語モデルの生成品質と性能を改善するための重要なステップとして現れてきた。本研究では、嗜好データ、学習アルゴリズム、報酬モデル、政策訓練プロンプトという、嗜好に基づく学習の4つの側面を特定する。以上の結果から,すべての側面がパフォーマンス上重要であることが示唆された。
論文参考訳（メタデータ） (2024-06-13T16:17:21Z)
LESS: Selecting Influential Data for Targeted Instruction Tuning [64.78894228923619]
本稿では,データの影響を推定し,命令データ選択のための低ランクグレーディエント類似度探索を行うアルゴリズムであるLESSを提案する。 LESS選択したデータの5%のトレーニングは、さまざまなダウンストリームタスクにわたる完全なデータセットでのトレーニングよりも優れています。我々の方法は、意図した下流アプリケーションに必要な推論スキルを識別するために、表面的なフォームキューを超えています。
論文参考訳（メタデータ） (2024-02-06T19:18:04Z)
Robust Learning with Progressive Data Expansion Against Spurious Correlation [65.83104529677234]
本研究では,2層非線形畳み込みニューラルネットワークの学習過程について検討した。分析の結果,不均衡なデータ群と学習容易なスプリアス特徴が学習過程におけるスプリアス特徴の優位性に繋がる可能性が示唆された。本稿では,PDEと呼ばれる新たなトレーニングアルゴリズムを提案する。
論文参考訳（メタデータ） (2023-06-08T05:44:06Z)
Volatility forecasting using Deep Learning and sentiment analysis [0.0]
本稿では、市場ボラティリティを予測するための感情分析と深層学習を融合した複合モデルを提案する。次に、過去の感情と前日の変動を利用して予測を行う合成予測モデル、Long-Short-Term-Memory Neural Network法について述べる。
論文参考訳（メタデータ） (2022-10-22T14:54:33Z)
DeepVol: Volatility Forecasting from High-Frequency Data with Dilated Causal Convolutions [53.37679435230207]
本稿では,Dilated Causal Convolutionsに基づくDeepVolモデルを提案する。実験結果から,提案手法は高頻度データからグローバルな特徴を効果的に学習できることが示唆された。
論文参考訳（メタデータ） (2022-09-23T16:13:47Z)
Hedging option books using neural-SDE market models [6.319314191226118]
ニューラル-SDE市場モデルはブラック-スコルズデルタとデルタ-ベガヘッジよりも時間とともに低いヘッジ誤差が得られることを示す。さらに、市場モデルを用いたヘッジは、ヘッジとヘッジのヘッジに類似したパフォーマンスをもたらす一方、前者はストレスのある市場期間に頑丈になる傾向にある。
論文参考訳（メタデータ） (2022-05-31T17:48:18Z)
Stock Index Prediction using Cointegration test and Quantile Loss [0.0]
本稿では,情報的要因を選択する場合のリターンの観点から,より良い性能が得られる手法を提案する。 2つのRNN変種と量子損失を比較し, 結合試験により得られた5つの因子について比較した。実験の結果,提案手法は従来の手法よりも優れていることがわかった。
論文参考訳（メタデータ） (2021-09-29T16:20:29Z)
Back2Future: Leveraging Backfill Dynamics for Improving Real-time Predictions in Future [73.03458424369657]
公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
論文参考訳（メタデータ） (2021-06-08T14:48:20Z)
Learnable Bernoulli Dropout for Bayesian Deep Learning [53.79615543862426]
Learnable Bernoulli Dropout (LBD) は、他のモデルパラメータと共に最適化されたパラメータとしてドロップアウト率を考慮する新しいモデルに依存しないドロップアウトスキームである。 LBDは画像分類とセマンティックセグメンテーションにおける精度と不確実性の推定を改善する。
論文参考訳（メタデータ） (2020-02-12T18:57:14Z)

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。