論文の概要: Experimental Analysis of Deep Hedging Using Artificial Market Simulations for Underlying Asset Simulators
- arxiv url: http://arxiv.org/abs/2404.09462v1
- Date: Mon, 15 Apr 2024 05:11:07 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-16 13:29:14.429874
- Title: Experimental Analysis of Deep Hedging Using Artificial Market Simulations for Underlying Asset Simulators
- Title（参考訳）: 人工市場シミュレーションによる沈み込み実験
- Authors: Masanori Hirano,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.7329727526222747
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Derivative hedging and pricing are important and continuously studied topics in financial markets. Recently, deep hedging has been proposed as a promising approach that uses deep learning to approximate the optimal hedging strategy and can handle incomplete markets. However, deep hedging usually requires underlying asset simulations, and it is challenging to select the best model for such simulations. This study proposes a new approach using artificial market simulations for underlying asset simulations in deep hedging. Artificial market simulations can replicate the stylized facts of financial markets, and they seem to be a promising approach for deep hedging. We investigate the effectiveness of the proposed approach by comparing its results with those of the traditional approach, which uses mathematical finance models such as Brownian motion and Heston models for underlying asset simulations. The results show that the proposed approach can achieve almost the same level of performance as the traditional approach without mathematical finance models. Finally, we also reveal that the proposed approach has some limitations in terms of performance under certain conditions.
- Abstract（参考訳）: デリバティブなヘッジと価格が重要であり、金融市場において継続的に研究されている。
近年,ディープラーニングを用いて最適なヘッジ戦略を近似し,不完全な市場を処理できる,将来的なアプローチとして,深層ヘッジが提案されている。
しかし、ディープ・ヘッジは通常、基礎となるアセット・シミュレーションを必要とし、そのようなシミュレーションに最適なモデルを選択することは困難である。
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。
人工市場シミュレーションは、金融市場のスタイル化された事実を再現することができる。
提案手法の有効性を,ブラウン運動やヘストンモデルなどの数学的金融モデルを用いた従来の手法と比較することにより検討した。
その結果,提案手法は数学的な財務モデルなしで従来の手法とほぼ同等の性能を達成できることが示唆された。
最後に,提案手法は特定の条件下での性能に制限があることを明らかにした。
関連論文リスト
- A Bayesian Approach to Robust Inverse Reinforcement Learning [54.24816623644148]
我々は、オフラインモデルに基づく逆強化学習(IRL)に対するベイズ的アプローチを考える。
提案フレームワークは,専門家の報酬関数と環境力学の主観的モデルとを同時推定することにより,既存のオフラインモデルベースIRLアプローチとは異なる。
本分析は, 専門家が環境の高精度なモデルを持つと考えられる場合, 評価政策が堅牢な性能を示すという新たな知見を提示する。
論文 参考訳（メタデータ） (2023-09-15T17:37:09Z) - Adversarial Deep Hedging: Learning to Hedge without Price Process
Modeling [4.656182369206814]
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。
論文 参考訳（メタデータ） (2023-07-25T03:09:32Z) - REX: Rapid Exploration and eXploitation for AI Agents [103.68453326880456]
本稿では、REXと呼ばれるAIエージェントのための高速探索およびeXploitationのための改良されたアプローチを提案する。
REXは追加の報酬層を導入し、アッパー信頼境界(UCB)スコアに似た概念を統合し、より堅牢で効率的なAIエージェントのパフォーマンスをもたらす。
論文 参考訳（メタデータ） (2023-07-18T04:26:33Z) - Maximum entropy exploration in contextual bandits with neural networks
and energy based models [63.872634680339644]
モデルには2つのクラスがあり、1つはニューラルネットワークを報酬推定器とし、もう1つはエネルギーベースモデルを示す。
両手法は、エネルギーベースモデルが最も優れた性能を持つ、よく知られた標準アルゴリズムより優れていることを示す。
これは、静的および動的設定でよく機能する新しいテクニックを提供し、特に連続的なアクション空間を持つ非線形シナリオに適している。
論文 参考訳（メタデータ） (2022-10-12T15:09:45Z) - 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) - Black-box Bayesian inference for economic agent-based models [0.0]
2種類のブラックボックス近似ベイズ推定法の有効性について検討した。
ニューラルネットワークに基づくブラックボックス法は, 経済シミュレーションモデルに対して, アートパラメータ推論の状態を提示する。
論文 参考訳（メタデータ） (2022-02-01T18:16:12Z) - Sample-Efficient Reinforcement Learning via Conservative Model-Based
Actor-Critic [67.00475077281212]
モデルベース強化学習アルゴリズムは、モデルフリーのアルゴリズムよりもサンプル効率が高い。
本稿では,精度の高い学習モデルに強く依存することなく,高いサンプル効率を実現する新しい手法を提案する。
CMBACは,いくつかの課題に対して,サンプル効率の点で最先端のアプローチを著しく上回ることを示す。
論文 参考訳（メタデータ） (2021-12-16T15:33:11Z) - Multi-Asset Spot and Option Market Simulation [52.77024349608834]
正規化フローに基づく1つの基盤となる1つのマーケットシミュレータを現実的に構築する。
本研究では, 正規化流れの条件付き可逆性を活用し, 独立シミュレータの連立分布をキャリブレーションするスケーラブルな手法を提案する。
論文 参考訳（メタデータ） (2021-12-13T17:34:28Z) - How to Identify Investor's types in real financial markets by means of
agent based simulation [0.0]
本論文では,主成分分析の基礎となる原理をエージェントベースシミュレーションで計算する手法を提案する。
提案手法は、ターゲット金融時系列を近似または説明することができる投資家のモデルの減少セットを見つけることである。
論文 参考訳（メタデータ） (2020-12-31T16:22:30Z) - A Data-driven Market Simulator for Small Data Environments [0.5872014229110214]
ニューラルネットワークに基づくデータ駆動市場シミュレーションは、金融時系列をモデリングする新しいフレキシブルな方法を公開する。
本稿では,財務時系列のエンコーディングと評価を行う強力な方法として,大まかなパスパースペクティブと擬似変分自動エンコーダフレームワークが組み合わさった方法を示す。
論文 参考訳（メタデータ） (2020-06-21T14:04:21Z)
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。