[论文解读] Risk management with machine-learning-based algorithms

Simon F'ecamp, Joseph Mikael+1 more|arXiv (Cornell University)|Feb 14, 2019

Big Data and Business Intelligence被引用 5

一句话总结

本文提出了一种基于深度学习的全局优化算法，利用神经网络和LSTM架构，解决具有交易成本、 illiquidity（市场不流动性）以及非交易风险因子的不完全市场中的离散时间对冲问题。该方法能够高效计算多种风险准则下的最优对冲策略，并通过单阶段训练估计风险与交易成本之间的完整Pareto前沿，相较于经典随机控制方法在速度和灵活性方面表现更优，同时在高维设置下保持了高精度。

ABSTRACT

We propose some machine-learning-based algorithms to solve hedging problems in incomplete markets. Sources of incompleteness cover illiquidity, untradable risk factors, discrete hedging dates and transaction costs. The proposed algorithms resulting strategies are compared to classical stochastic control techniques on several payoffs using a variance criterion. One of the proposed algorithm is flexible enough to be used with several existing risk criteria. We furthermore propose a new moment-based risk criteria.

研究动机与目标

• 解决经典随机控制方法在高维、不完全市场中存在交易成本和市场不流动性时的局限性。
• 开发一种灵活的机器学习框架，支持除均方误差外的任意风险准则。
• 实现在单次训练阶段内高效计算风险与交易成本之间的完整Pareto前沿。
• 比较全局与局部神经网络架构在方差和非对称损失函数下的对冲性能。
• 证明深度学习在解决以往动态规划方法难以处理的复杂现实对冲问题中的可行性与优越性。

提出的方法

• 使用全局深度神经网络求解单一优化问题，最小化在整个对冲时间范围内用户定义的风险准则。
• 采用基于LSTM的架构以建模非马氏过程并处理时间相关的状态依赖性。
• 通过在网络输入中引入超参数α（从U(0,1)中随机采样），采用多目标训练策略，联合优化风险（方差）与交易成本。
• 应用小批量随机梯度下降，并使用Sobol准随机生成器对α进行采样，以提升收敛性并覆盖完整的Pareto前沿。
• 定义复合损失函数：dα(XΔ, g(ST)) = (1−α)E[ YT ] + α√E[(XT −g(ST))²]，以平衡交易成本与对冲误差。
• 通过高性能计算验证其性能，与Warin（2019）提出的参考动态规划算法进行对比。

实验结果

研究问题

• RQ1 基于深度学习的全局优化能否在存在交易成本和市场不流动性的高维对冲问题中超越经典随机控制方法？
• RQ2 风险准则的选择——尤其是非对称或矩量相关的准则——如何影响对冲组合损益分布？
• RQ3 能否通过单次神经网络训练阶段生成风险与交易成本之间的完整Pareto前沿，从而避免多次重新训练？
• RQ4 在基于深度学习的对冲中，全局优化与局部优化架构的相对性能如何？
• RQ5 基于LSTM的网络在处理不完全市场对冲中的非马氏基础过程方面，其能力边界在哪里？

主要发现

• 全局深度学习算法在准确性和计算效率方面显著优于局部优化方法，避免了迭代方法中常见的局部极小值问题。
• 全局方法在低维情况下的结果与高性能动态规划方法相当，且在经典方法失效的高维场景中仍能有效扩展。
• 非对称损失函数（如L2/L4和非对称损失）可降低极端损失，并使投资组合损益分布向盈利方向偏移，代价是平均损失略有上升。
• 通过随机采样α值进行训练，该方法可在单次训练运行中生成完整的风险与交易成本Pareto前沿，支持快速推理与敏感性分析。
• 在全局网络中使用LSTM可灵活建模非马氏动态，扩展了其在标准马氏假设之外的应用范围。
• 该算法成功处理了涉及市场不流动性、非交易风险因子以及比例交易成本的复杂对冲问题，展现出强健性与实际应用价值。