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
- LESS: Selecting Influential Data for Targeted Instruction Tuning [69.50855460630105]
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) - HireVAE: An Online and Adaptive Factor Model Based on Hierarchical and
Regime-Switch VAE [113.47287249524008]
オンラインで適応的な環境で株価予測を行うファクターモデルを構築することは、依然としてオープンな疑問である。
本稿では,オンラインおよび適応型要素モデルであるHireVAEを,市場状況とストックワイド潜在要因の関係を埋め込んだ階層型潜在空間として提案する。
4つの一般的な実市場ベンチマークにおいて、提案されたHireVAEは、以前の手法よりもアクティブリターンの点で優れたパフォーマンスを示している。
論文 参考訳(メタデータ) (2023-06-05T12:58:13Z) - 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 [78.6363825307044]
本稿では,Dilated Causal Convolutionsに基づくDeepVolモデルを提案する。
拡張畳み込みフィルタは日内財務データから関連情報を抽出するのに最適であることを示す。
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) - Forecasting with Deep Learning: S&P 500 index [0.0]
本稿では、S&P 500インデックスの将来価値を予測する畳み込みに基づくニューラルネットワークモデルを提案する。
実験の結果,本モデルが精度55%以上のベンチマークを上回っていることがわかった。
論文 参考訳(メタデータ) (2021-03-21T11:51:49Z) - A Deep Learning Framework for Predicting Digital Asset Price Movement
from Trade-by-trade Data [20.392440676633573]
本稿では,取引単位のデータから暗号通貨の価格変動を予測する枠組みを提案する。
このモデルは、1年近いトレードバイトレーダデータで高いパフォーマンスを達成するために訓練されている。
現実的な取引シミュレーション環境では、モデルによる予測は簡単に収益化できる。
論文 参考訳(メタデータ) (2020-10-11T10:42:02Z) - 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。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。