Fugu-MT 論文翻訳(概要): Estimating risks of option books using neural-SDE market models

論文の概要: Estimating risks of option books using neural-SDE market models

arxiv url: http://arxiv.org/abs/2202.07148v1
Date: Tue, 15 Feb 2022 02:39:42 GMT
ステータス: 処理完了
システム内更新日: 2022-02-16 16:06:41.185001
Title: Estimating risks of option books using neural-SDE market models
Title（参考訳）: ニューラルSDE市場モデルを用いたオプションブックのリスク推定
Authors: Samuel N. Cohen and Christoph Reisinger and Sheng Wang
Abstract要約: 我々は、仲裁自由なニューラル-SDE市場モデルを用いて、単一基盤上の複数のヨーロッパオプションのジョイントダイナミクスの現実的なシナリオを生成する。提案モデルでは,オプションポートフォリオのバリュー・アット・リスク(VaR)を評価する上で,計算効率が高く,精度も高く,カバー性能も向上し,従来のフィルタによるシミュレーション手法よりもプロサイクル性も低いことを示す。
参考スコア（独自算出の注目度）: 6.319314191226118
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In this paper, we examine the capacity of an arbitrage-free neural-SDE market model to produce realistic scenarios for the joint dynamics of multiple European options on a single underlying. We subsequently demonstrate its use as a risk simulation engine for option portfolios. Through backtesting analysis, we show that our models are more computationally efficient and accurate for evaluating the Value-at-Risk (VaR) of option portfolios, with better coverage performance and less procyclicality than standard filtered historical simulation approaches.
Abstract（参考訳）: 本稿では、単一基盤上の複数の欧州オプションのジョイントダイナミクスの現実的なシナリオを生成するために、仲裁自由ニューラルネットワーク-SDE市場モデルの能力について検討する。その後、オプションポートフォリオのリスクシミュレーションエンジンとしての使用例を示す。バックテスト分析により、我々のモデルは、オプションポートフォリオのバリュー・アット・リスク(VaR)を評価するのにより計算効率が高く、精度が良く、カバー性能が良く、また、標準的なフィルタによる履歴シミュレーション手法よりもプロサイクティリティが低いことを示す。

関連論文リスト

Model-Based Epistemic Variance of Values for Risk-Aware Policy Optimization [59.758009422067]
モデルベース強化学習における累積報酬に対する不確実性を定量化する問題を考察する。我々は、解が値の真後分散に収束する新しい不確実性ベルマン方程式(UBE)を提案する。本稿では,リスク・サーキングとリスク・アバース・ポリシー最適化のいずれにも適用可能な汎用ポリシー最適化アルゴリズムQ-Uncertainty Soft Actor-Critic (QU-SAC)を導入する。
論文参考訳（メタデータ） (2023-12-07T15:55:58Z)
COPlanner: Plan to Roll Out Conservatively but to Explore Optimistically for Model-Based RL [50.385005413810084]
ダイナスタイルのモデルベース強化学習には、ポリシー学習と実環境探索のためのサンプルを生成するモデルロールアウトという2つのフェーズが含まれる。 $textttCOPlanner$は、不正確な学習された動的モデル問題に対処するモデルベースのメソッドのための計画駆動フレームワークである。
論文参考訳（メタデータ） (2023-10-11T06:10:07Z)
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)
When Demonstrations Meet Generative World Models: A Maximum Likelihood Framework for Offline Inverse Reinforcement Learning [62.00672284480755]
本稿では, 専門家エージェントから, 一定の有限個の実演において観測された動作を過小評価する報酬と環境力学の構造を復元することを目的とする。タスクを実行するための正確な専門知識モデルは、臨床的意思決定や自律運転のような安全に敏感な応用に応用できる。
論文参考訳（メタデータ） (2023-02-15T04:14:20Z)
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)
Discriminating modelling approaches for Point in Time Economic Scenario Generation [5.733401663293044]
時間経済シナリオ生成におけるポイントの概念(PiT ESG)を紹介する。 PiT ESGは、長期にわたる歴史的データのみを調整した従来のESGよりも、突然の経済変化に対する迅速かつ柔軟な反応を提供するべきである。我々は,非パラメトリックフィルタ履歴シミュレーション,GARCHモデルと関節推定(パラメトリック),制限ボルツマンマシン,条件付き変分オートエンコーダ(ジェネレータネットワーク)を比較し,PiT ESGとして適合性を検討した。
論文参考訳（メタデータ） (2021-08-19T17:36:53Z)
Arbitrage-free neural-SDE market models [6.145654286950278]
我々は、基礎となる金融制約を尊重する欧州オプションブックの非パラメトリックモデルを開発する。株価とオプション価格の離散時系列データからモデルを学習する推論問題について検討する。我々は,SDEシステムのドリフトと拡散のための関数近似器としてニューラルネットワークを用いる。
論文参考訳（メタデータ） (2021-05-24T00:53:10Z)
Deep Hedging, Generative Adversarial Networks, and Beyond [2.253930064459394]
本稿では,ディープラーニングと人工知能の金融応用,特にヘッジへの応用について紹介する。本稿では,単純なバニラ欧州コールオプションを複製した直接ポリシー検索強化エージェントの枠組みを示し,モデルフリーデルタヘッジにエージェントを使用する。我々は、このRLベースのヘッジフレームワークが、従来のモデルに固有の問題に対処し、実践的にヘッジを実行するためのより効率的な方法であると信じている。
論文参考訳（メタデータ） (2021-03-05T19:41:11Z)
Characterizing Fairness Over the Set of Good Models Under Selective Labels [69.64662540443162]
同様の性能を実現するモデルセットに対して,予測公正性を特徴付けるフレームワークを開発する。到達可能なグループレベルの予測格差の範囲を計算するためのトラクタブルアルゴリズムを提供します。選択ラベル付きデータの実証的な課題に対処するために、我々のフレームワークを拡張します。
論文参考訳（メタデータ） (2021-01-02T02:11:37Z)
Robust pricing and hedging via neural SDEs [0.0]
我々は,ニューラルSDEの効率的な利用に必要な新しいアルゴリズムを開発し,分析する。我々は、関連する市場データを取り入れつつ、デリバティブの価格とそれに対応するヘッジ戦略の堅牢な境界を見出した。ニューラルSDEはリスクニュートラルと現実世界の両方で一貫したキャリブレーションを可能にする。
論文参考訳（メタデータ） (2020-07-08T14:33:17Z)
SAMBA: Safe Model-Based & Active Reinforcement Learning [59.01424351231993]
SAMBAは、確率論的モデリング、情報理論、統計学といった側面を組み合わせた安全な強化学習のためのフレームワークである。我々は,低次元および高次元の状態表現を含む安全な力学系ベンチマークを用いて,アルゴリズムの評価を行った。アクティブなメトリクスと安全性の制約を詳細に分析することで,フレームワークの有効性を直感的に評価する。
論文参考訳（メタデータ） (2020-06-12T10:40:46Z)

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。