تبحث هذه الورقة استخدام خوارزميات التعلم المعزز (RL) لتعلم استراتيجيات تحوط تكيفية للمشتقات في ظل ظروف سوق واقعية، مع الأخذ في الاعتبار تأثير السوق الدائم، والانزلاق أثناء التنفيذ، وتكاليف المعاملات. تم استكشاف الفروق السوقية الناتجة عن التداول في أدبيات التنفيذ الأمثل للصفقات؛ ومع ذلك، فإن تأثيرها على استراتيجيات تحوط المشتقات لا يزال غير مدروس بشكل كافٍ في سياقات التعلم المعزز. عادة ما تفترض طرق التحوط التقليدية أسواقًا بلا احتكاك مع تكاليف معاملات فقط. نوضح أن مشكلة اتخاذ القرار الديناميكية الناجمة عن التحوط مع الاحتكاكات يمكن نمذجتها بفعالية باستخدام التعلم المعزز، مما يثبت فعاليتها عبر مجموعة متنوعة من الفروق السوقية لتقليل خسائر التحوط. تشمل النتائج تحليلًا مقارنًا لأداء ثلاثة نماذج من التعلم المعزز عبر مسارات الأسعار المحاكية، مما يوضح فعاليتها المتفاوتة وقابليتها للتكيف في هذه البيئات التي تحتوي على احتكاكات. نجد أن عملاء التعلم المعزز، وبالتحديد TD3 وSAC، يمكنهم التفوق على استراتيجيات التحوط التقليدية للحساسية في بيئات بسيطة ومعقدة وغير سائلة، مع تخفيضات تبلغ ثلثي القيمة المتوقعة لخسائر التحوط وأكثر من 50% في القيمة المتوقعة الشرطية للمخاطر (CVaR) عند النسبة المئوية الخامسة. تظهر هذه النتائج أن عملاء DRL يمكن أن يكونوا أداة قيمة لإدارة المخاطر للمؤسسات المالية، خاصة نظرًا لقابليتهم للتكيف مع ظروف السوق المختلفة والأوراق المالية.
درس هوانغ وآخرون (2025) هذا السؤال.