論文の概要: Taming the Greeks: Option Portfolios with Inductive Biases

• arxiv url: http://arxiv.org/abs/2609.33767v1
• Date: Sun, 27 Sep 2026 17:05:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-04 16:51:25.123265
• Title: Taming the Greeks: Option Portfolios with Inductive Biases
• Title（参考訳）: ギリシャ人のタミング:インダクティブ・バイアスによるオプション・ポートフォリオ
• Abstract要約: 体系的なオプション取引のためのエンドツーエンドのディープラーニングフレームワークを提案する。 リスク調整されたパフォーマンスを最適化するためにトレーニングされたニューラルネットワークは、従来のルールベースの戦略より優れていることが示されている。 本稿では、パフォーマンス駆動型損失と異なるリスク感受性のペナルティを組み合わせた一般的なトレーニング目標を提案する。
• 参考スコア（独自算出の注目度）: 7.233882430639863
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present an end-to-end deep learning framework for systematic options trading that directly embeds hedging behavior through explicit control of portfolio-level risk exposures. While neural networks trained to optimize risk-adjusted performance have been shown to outperform traditional rules-based strategies, such approaches remain agnostic to the sensitivities of the resulting portfolios with respect to specific underlying risk factors. We propose a general training objective that combines a performance-driven loss with a differentiable risk-sensitivity penalty, enforcing neutrality to selected risk dimensions. Unlike reinforcement learning methods that approximate optimal hedging policies via simulated market dynamics, our framework operates entirely on historical data and jointly optimizes risk-adjusted returns and targeted risk constraints in a single learning problem. We instantiate the framework on static delta-neutral straddle portfolios with the penalty directed at first-order directional exposure, and evaluate two penalty variants -- an exposure-normalized penalty and a Greek-ratio drift penalty. Empirical results on Nasdaq 100 equity options demonstrate that appropriately calibrated regularization simultaneously improves out-of-sample risk-adjusted performance relative to an unregularized baseline while reducing realized directional exposure.
• Abstract（参考訳）: ポートフォリオレベルのリスク露光の明示的な制御を通じて,ヘッジ動作を直接埋め込む,体系的なオプション取引のためのエンドツーエンドのディープラーニングフレームワークを提案する。 リスク調整されたパフォーマンスを最適化するために訓練されたニューラルネットワークは、従来のルールベースの戦略を上回ることが示されているが、そのようなアプローチは、特定の根本的なリスク要因に関して、結果のポートフォリオの感度に非依存である。 本稿では,パフォーマンス駆動型損失と異なるリスク感受性のペナルティを組み合わせ,選択したリスク次元に中立性を付与する一般的なトレーニング目標を提案する。 市場動態をシミュレートした最適ヘッジポリシを近似する強化学習法とは異なり,我々のフレームワークは履歴データに完全に依存し,リスク調整されたリターンと単一学習問題におけるターゲットリスク制約を協調的に最適化する。 我々は,静的デルタ-中性層群ポートフォリオの枠組みを,一階の指向性露光を指向したペナルティでインスタンス化し,露出正規化ペナルティとギリシャ比ドリフトペナルティの2つのペナルティ変動を評価する。 Nasdaq 100のエクイティオプションに関する実証的な結果は、適切に調整された正規化が、非正規化ベースラインに対して、同時にサンプル外リスク調整性能を向上させると同時に、実現された指向性露光を減少させることを示した。

関連論文リスト

• Conformal Risk-Averse Decision Making with Optimized Certainty Equivalent Risk Control [31.006941545235396]
  エージェントが真のシステム状態について不確実なまま行動を選択するリスク-逆決定について検討する。 既知分布下での最適ポリシを特徴付け,CVaRの予測セットベースソリューションに還元することを示す。 未知の分布に対しては,データ駆動キャリブレーション手法を開発し,その可能性とキャリブレーションデータに対する合成モデルを構築した。
  論文  参考訳（メタデータ） (2026-08-28T10:45:23Z)
• Deep Reinforcement Learning for Reliability Based Bi-Objective Portfolio Optimization [5.11777500105171]
  信頼性に基づくポートフォリオ最適化(MORP-DRL)のための深層強化学習フレームワークを提案する。 我々は,3つの相補的リスク尺度,条件付きバリュー・アット・リスク(CVaR),エントロピー的バリュー・アット・リスク(EVaR)を用いて,期待されるリターンとダウンサイドのリスクを共同で最適化する。 10のグローバルエクイティ指標の実験では、MORP-DRLは競争リスク-リターン性能、市場ストレスの期間におけるダウンサイドリスクの低減、高次元ポートフォリオ設定へのスケーラビリティを実現している。
  論文  参考訳（メタデータ） (2026-07-07T06:24:32Z)
• Risk-sensitive reinforcement learning using expectiles, shortfall risk and optimized certainty equivalent risk [7.358503757109041]
  本稿では,リスク対策の3つのファミリーに対応する,リスクに敏感な強化学習アルゴリズムを提案する。 各リスク測度について、有限地平面マルコフ決定過程の文脈で、まずポリシー勾配定理を導出する。 一般的なRLベンチマークの理論的結果を検証するため,数値実験を行った。
  論文  参考訳（メタデータ） (2026-02-10T00:38:21Z)
• Constrained Language Model Policy Optimization via Risk-aware Stepwise Alignment [49.2305683068875]
  本稿では,リスク認識を政策最適化プロセスに組み込んだ新しいアライメント手法であるリスク対応ステップワイドアライメント(RSA)を提案する。 RSAは、過剰なモデルシフトによって引き起こされるリスクを基準方針から緩和し、低確率で高影響の有害な振る舞いを明示的に抑制する。 実験により, 本手法は高い安全性を確保しつつ, 高い安全性を達成できることが確認された。
  論文  参考訳（メタデータ） (2025-12-30T14:38:02Z)
• Conformal Risk Training: End-to-End Optimization of Conformal Risk Control [41.45834526675908]
  我々は,モデルトレーニングや微調整において,コンフォーマルなOCEリスク制御を通じて区別する,エンドツーエンドのアプローチである「コンフォーマルリスクトレーニング」を導入する。 提案手法は,実証可能なリスク保証を実現するとともに,ポストホック手法よりも平均ケース性能が大幅に向上したことを示す。
  論文  参考訳（メタデータ） (2025-10-09T19:05:45Z)
• 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)
• A Risk-Sensitive Approach to Policy Optimization [21.684251937825234]
  標準深層強化学習(DRL)は、政策の定式化における収集経験を均等に考慮し、期待される報酬を最大化することを目的としている。 そこで本研究では,フルエピソード報酬の分布の累積分布関数 (CDF) で規定されるリスク感性目標を最適化する,より直接的なアプローチを提案する。 エージェントの動作が不十分なシナリオを強調する中程度の「悲観的」リスクプロファイルの使用が,探索の強化と,障害への継続的な対処に繋がることを示す。
  論文  参考訳（メタデータ） (2022-08-19T00:55:05Z)
• 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)
• 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。

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。