Fugu-MT 論文翻訳(概要): Deep Hedging to Manage Tail Risk

論文の概要: Deep Hedging to Manage Tail Risk

arxiv url: http://arxiv.org/abs/2506.22611v1
Date: Fri, 27 Jun 2025 20:16:52 GMT
ステータス: 翻訳完了
システム内更新日: 2025-07-01 21:27:53.486042
Title: Deep Hedging to Manage Tail Risk
Title（参考訳）: リスク管理の深化とリスク管理
Authors: Yuming Ma,
Abstract要約: 我々は凸リスク最小化のパラメータ化にディープニューラルネットワークを用いる。 1日99%のCVaR削減を実現した。また、摩擦に敏感な戦略適応に関する実践的な洞察を与える。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Extending Buehler et al.'s 2019 Deep Hedging paradigm, we innovatively employ deep neural networks to parameterize convex-risk minimization (CVaR/ES) for the portfolio tail-risk hedging problem. Through comprehensive numerical experiments on crisis-era bootstrap market simulators -- customizable with transaction costs, risk budgets, liquidity constraints, and market impact -- our end-to-end framework not only achieves significant one-day 99% CVaR reduction but also yields practical insights into friction-aware strategy adaptation, demonstrating robustness and operational viability in realistic markets.
Abstract（参考訳）: Buehler氏らの2019 Deep Hedgingパラダイムを拡張して、私たちは、ポートフォリオのテールリスクヘッジ問題に対する凸リスク最小化(CVaR/ES)をパラメータ化するために、ディープニューラルネットワークを革新的に採用しています。危機時のブートストラップ市場シミュレーター -- 取引コスト、リスク予算、流動性制約、市場への影響をカスタマイズ可能な -- に関する包括的な数値実験を通じて、私たちのエンドツーエンドのフレームワークは、重要な1日99%のCVaR削減を達成するだけでなく、摩擦対応戦略の適応、現実的な市場における堅牢性と運用上の可能性に関する実践的な洞察も得られます。

関連論文リスト

Bridging Econometrics and AI: VaR Estimation via Reinforcement Learning and GARCH Models [0.0]
本稿では,GARCHのボラティリティモデルと深い強化学習を組み合わせた,VaR(Value-at-Risk)推定のためのハイブリッドフレームワークを提案する。本手法では,Double Deep Q-Network (DDQN) モデルを用いて市場予測を行い,タスクを不均衡な分類問題として扱う。危機と高いボラティリティの期間をカバーする毎日のEurostoxx 50データに関する実証的な検証は、VaR推定の精度を大幅に改善したことを示している。
論文参考訳（メタデータ） (2025-04-23T11:54:22Z)
Efficient Risk-sensitive Planning via Entropic Risk Measures [51.42922439693624]
動的プログラミングにより,エントロピーリスク対策(EntRM)のみを効率的に最適化できることを示す。エントロピーリスクの新たな構造解析と滑らかさ特性により, この最適性を効果的に計算できることを実証する。
論文参考訳（メタデータ） (2025-02-27T09:56:51Z)
Enhancing Risk Assessment in Transformers with Loss-at-Risk Functions [3.2162648244439684]
本稿では,リスク・アット・リスク(VaR)と条件値アット・リスク(CVaR)をトランスフォーマーモデルに組み込んだ新たなロス・アット・リスク(Los-at-Risk)を導入する。この統合により、Transformerモデルは潜在的に極端な損失を認識でき、高い財務上の決定を処理できる能力をさらに改善できる。我々のロス・アット・リスク機能はトランスフォーマーのリスク予測と管理能力を改善することを実証するために、高度に揮発性のある財務データセットを用いて一連の実験を行った。
論文参考訳（メタデータ） (2024-11-04T19:44:43Z)
Capsa: A Unified Framework for Quantifying Risk in Deep Neural Networks [142.67349734180445]
ディープニューラルネットワークにリスク認識を提供する既存のアルゴリズムは複雑でアドホックである。ここでは、リスク認識でモデルを拡張するためのフレームワークであるcapsaを紹介します。
論文参考訳（メタデータ） (2023-08-01T02:07:47Z)
Efficient Risk-Averse Reinforcement Learning [79.61412643761034]
リスク逆強化学習(RL)では、リターンのリスク測定を最適化することが目標である。特定の条件下では、これは必然的に局所最適障壁につながることを証明し、それを回避するためのソフトリスク機構を提案する。迷路ナビゲーション,自律運転,資源配分ベンチマークにおいて,リスク回避の改善を示す。
論文参考訳（メタデータ） (2022-05-10T19:40:52Z)
Safe Online Bid Optimization with Return-On-Investment and Budget Constraints subject to Uncertainty [87.81197574939355]
最適化問題と学習問題の両方について検討する。我々は、潜在的に線形な数の制約違反を犠牲にして、サブ線形後悔を保証するアルゴリズム、すなわちGCBを提供する。より興味深いことに、我々はGCB_safe(psi,phi)というアルゴリズムを提供し、サブ線形擬似回帰と安全性w.h.p.の両方を、耐性 psi と phi を受け入れるコストで保証する。
論文参考訳（メタデータ） (2022-01-18T17:24:20Z)
Reinforcement learning for options on target volatility funds [0.0]
我々は、目標ボラティリティ戦略(TVS)に基づくリスクの高い証券のヘッジによる資金調達コストの上昇に対処する。我々はこの問題をブラック・アンド・ショールズ(BS)のシナリオで解析的に解いた。次に、局所ボラティリティ(LV)モデルの下で最も保守的な価格につながる資金組成を決定するために強化学習(RL)技術を使用します。
論文参考訳（メタデータ） (2021-12-03T10:55:11Z)
Deep Hedging: Learning Risk-Neutral Implied Volatility Dynamics [0.0]
シミュレーションスポットとオプション価格の経路に対するリスクニュートラル測度学習のための数値的効率的アプローチ市場ダイナミクスは、リスク中立的措置に従う場合に限り、取引コストがなければ「統計的な仲裁」ができないことを示している。
論文参考訳（メタデータ） (2021-03-22T15:38:25Z)
Constrained Risk-Averse Markov Decision Processes [18.467950783426947]
リスク目標と制約を動的に整合させたマルコフ決定プロセスのポリシー設計の問題点を考察する。制約付きリスク-逆問題より低いバウンドのマルコフポリシーを最適化した手法を提案する。これらの結果から, 制約付きMDPの線形プログラムを, 総割引コストと制約付きで一般化できることが示唆された。
論文参考訳（メタデータ） (2020-12-04T06:12:11Z)
Risk-Constrained Thompson Sampling for CVaR Bandits [82.47796318548306]
CVaR(Conditional Value at Risk)として知られる量的ファイナンスにおける一般的なリスク尺度について考察する。本稿では,トンプソンサンプリングに基づくCVaR-TSアルゴリズムの性能について検討する。
論文参考訳（メタデータ） (2020-11-16T15:53:22Z)
Learning Bounds for Risk-sensitive Learning [86.50262971918276]
リスクに敏感な学習では、損失のリスク・アバース(またはリスク・シーキング)を最小化する仮説を見つけることを目的としている。最適化された確実性等価性によって最適性を記述するリスク感応学習スキームの一般化特性について検討する。
論文参考訳（メタデータ） (2020-06-15T05:25:02Z)

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。