딥 강화 학습을 활용한 미국 풋 옵션 헤징

이 논문은 딥 강화 학습(DRL)을 활용하여 미국 풋 옵션을 헤지하며, 딥 결정론적 정책 기울기(DDPG) 방법을 사용합니다. 에이전트들은 먼저 기하학적 브라운 운동(GBM) 자산 경로로 훈련 및 시험을 받으며, 블랙-숄즈(BS) 델타와 같은 전통적인 전략보다 우수한 성능을 보여줍니다. 특히 거래 비용이 존재할 때 그러한 성과를 보입니다. DRL 헤징의 실제 적용 가능성을 평가하기 위해, 두 번째 실험 라운드는 시장 보정된 확률적 변동성 모형을 사용하여 DRL 에이전트를 훈련합니다. 구체적으로, 8개의 기호에 걸쳐 80개의 풋 옵션이 수집되고, 각 기호에 대한 확률적 변동성 모형 계수가 보정되며, 각각의 보정된 모델의 경로를 시뮬레이션하여 80개의 옵션에 대해 DRL 에이전트가 훈련됩니다. DRL 에이전트는 훈련에서 사용된 동일한 보정된 확률적 변동성 모델 데이터를 사용하여 테스트할 때 BS 델타 방법을 능가할 뿐만 아니라, 옵션 판매일과 만기일 사이에 발생한 실제 자산 경로를 헤지할 때도 더 나은 결과를 달성합니다. 따라서 이 연구는 미국 풋 옵션 헤징을 위해 맞춤화된 최초의 DRL 에이전트를 제시할 뿐만 아니라, 시뮬레이션 및 실증 시장 테스트 데이터 모두에서 DRL 에이전트가 실제 세계 시나리오에서 BS 델타 방법보다 최적적이라는 것을 시사합니다. 마지막으로, 이 연구는 모델에 구애받지 않는 체비셰프 보간 방법을 사용하여 확률적 변동성 모델이 사용될 때 DRL 에이전트에 각 시간 단계에서 옵션 가격을 제공함으로써 보다 복잡한 기초 자산 프로세스로의 용이한 확장을 위한 일반적인 프레임워크를 제공합니다.