論文の概要: Adversarial Deep Hedging: Learning to Hedge without Price Process Modeling

• arxiv url: http://arxiv.org/abs/2307.13217v1
• Date: Tue, 25 Jul 2023 03:09:32 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-26 18:35:08.595965
• Title: Adversarial Deep Hedging: Learning to Hedge without Price Process Modeling
• Title（参考訳）: 敵対的深層ヘッジ:価格プロセスモデリングなしでヘッジを学ぶ
• Authors: Masanori Hirano, Kentaro Minami, Kentaro Imajo
• Abstract要約: 本稿では,敵対的学習にインスパイアされた,敵対的深層ヘッジと呼ばれる新しい枠組みを提案する。 この枠組みでは、基礎となる資産プロセスと基盤となる資産プロセスをそれぞれモデル化するヘッジラーとジェネレータを対角的に訓練する。
• 参考スコア（独自算出の注目度）: 4.656182369206814
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep hedging is a deep-learning-based framework for derivative hedging in incomplete markets. The advantage of deep hedging lies in its ability to handle various realistic market conditions, such as market frictions, which are challenging to address within the traditional mathematical finance framework. Since deep hedging relies on market simulation, the underlying asset price process model is crucial. However, existing literature on deep hedging often relies on traditional mathematical finance models, e.g., Brownian motion and stochastic volatility models, and discovering effective underlying asset models for deep hedging learning has been a challenge. In this study, we propose a new framework called adversarial deep hedging, inspired by adversarial learning. In this framework, a hedger and a generator, which respectively model the underlying asset process and the underlying asset process, are trained in an adversarial manner. The proposed method enables to learn a robust hedger without explicitly modeling the underlying asset process. Through numerical experiments, we demonstrate that our proposed method achieves competitive performance to models that assume explicit underlying asset processes across various real market data.
• Abstract（参考訳）: deep hedgingは、不完全な市場でデリバティブヘッジするためのディープラーニングベースのフレームワークである。 ディープヘッジの利点は、伝統的な数学金融の枠組みの中では解決が難しい市場摩擦のような、様々な現実的な市場条件を扱う能力にある。 ディープヘッジは市場シミュレーションに依存するため、根底にある資産価格プロセスモデルが不可欠である。 しかし、深層ヘッジに関する既存の文献は、ブラウン運動や確率的ボラティリティモデルのような伝統的な数学的ファイナンスモデルに依存しており、深層ヘッジ学習のための効果的な資産モデルの発見は困難である。 本研究では,敵対的学習に触発された,敵対的深層ヘッジと呼ばれる新しい枠組みを提案する。 この枠組みでは、基礎となる資産プロセスと基盤となる資産プロセスをそれぞれモデル化するヘッジラーとジェネレータを対角的に訓練する。 提案手法では,基盤となるアセットプロセスを明示的にモデル化することなく,堅牢なヘッジラーを学習できる。 数値実験により,提案手法は,様々な実市場データにまたがる明示的な資産プロセスを想定したモデルに対して,競争性能を実現することを示す。

関連論文リスト

• Experimental Analysis of Deep Hedging Using Artificial Market Simulations for Underlying Asset Simulators [0.7329727526222747]
  本研究は, 人工市場シミュレーションを基盤とした深層加熱における資産シミュレーションに応用した新しいアプローチを提案する。 提案手法の有効性を従来の手法との比較により検討した。 その結果,提案手法は従来の手法とほぼ同等の性能が得られることがわかった。
  論文  参考訳（メタデータ） (2024-04-15T05:11:07Z)
• Designing an attack-defense game: how to increase robustness of financial transaction models via a competition [69.08339915577206]
  金融セクターにおける悪意ある攻撃のエスカレートリスクを考えると、機械学習モデルの敵戦略と堅牢な防御メカニズムを理解することが重要である。 本研究の目的は、逐次的な財務データを入力として使用するニューラルネットワークモデルに対する敵攻撃と防御の現状とダイナミクスを調査することである。 我々は、現代の金融取引データにおける問題の現実的かつ詳細な調査を可能にする競争を設計した。 参加者は直接対決するので、実生活に近い環境で攻撃や防御が検討される。
  論文  参考訳（メタデータ） (2023-08-22T12:53:09Z)
• Neural Stochastic Agent-Based Limit Order Book Simulation: A Hybrid Methodology [6.09170287691728]
  現代の金融取引所は電子的リミット・オーダー・ブック(LOB)を使用して入札を保管し、特定の金融資産の受注を要求する。 ニューラルポイントモデルを用いて過去のLOBデータに基づいて事前訓練されたニューラルバックグラウンドトレーサによるマーケットイベントのロジックの集約を表現するハイブリッドLOBシミュレーションと、他のトレーサとのマルチエージェントシミュレーションに背景トレーサを組み込んだハイブリッドLOBシミュレーションを提案する。 このスタイル化された事実は残っており、実市場の経験的観察に則った秩序流の影響と財政的放牧行動を示す。
  論文  参考訳（メタデータ） (2023-02-28T20:53:39Z)
• 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)
• Latent State Marginalization as a Low-cost Approach for Improving Exploration [79.12247903178934]
  我々はMaxEntフレームワークにおける潜在変数ポリシーの採用を提案する。 我々は、潜在変数ポリシーが、潜在信念状態を持つ世界モデルの下で自然に現れることを示す。 提案手法を連続制御タスクに対して実験的に検証し, 有効限界化がよりよい探索とより堅牢な訓練につながることを示した。
  論文  参考訳（メタデータ） (2022-10-03T15:09:12Z)
• 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)
• Adaptive learning for financial markets mixing model-based and model-free RL for volatility targeting [0.0]
  モデルフリー強化学習は安定した環境において有意義な成果を上げてきたが、今日でも金融市場のような環境の変化に問題がある。 モデルフリーな深層強化学習により,様々なモデルベースアプローチを選択することで,この2つの手法のベストを組み合わせることを提案する。
  論文  参考訳（メタデータ） (2021-04-19T19:20:22Z)
• Generative Temporal Difference Learning for Infinite-Horizon Prediction [101.59882753763888]
  我々は、無限確率的地平線を持つ環境力学の予測モデルである$gamma$-modelを導入する。 トレーニングタイムとテストタイムの複合的なエラーの間には、そのトレーニングが避けられないトレードオフを反映しているかについて議論する。
  論文  参考訳（メタデータ） (2020-10-27T17:54:12Z)
• Hedging using reinforcement learning: Contextual $k$-Armed Bandit versus $Q$-learning [0.22940141855172028]
  本稿では,リスクと市場摩擦の存在下での連関債権の複製戦略の構築について検討する。 本稿では、ヘッジ問題はリスク・アバース文脈における$k$-armed bandit問題の例と見なされる。 私たちは、$k$の武器付きバンディットモデルが、ヘッジの利益と損失の定式化に自然に適合していることに気付きました。
  論文  参考訳（メタデータ） (2020-07-03T11:34:10Z)
• Plausible Counterfactuals: Auditing Deep Learning Classifiers with Realistic Adversarial Examples [84.8370546614042]
  ディープラーニングモデルのブラックボックスの性質は、彼らがデータから何を学ぶかについて、未回答の疑問を提起している。 GAN(Generative Adversarial Network)とマルチオブジェクトは、監査されたモデルに妥当な攻撃を与えるために使用される。 その実用性は人間の顔の分類タスクの中で示され、提案されたフレームワークの潜在的可能性を明らかにしている。
  論文  参考訳（メタデータ） (2020-03-25T11:08:56Z)

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。