딥 강화 학습을 활용한 미국 풋 옵션 헤지

이 기사는 딥 강화 학습(DRL)을 활용하여 미국 풋 옵션을 헤지하며, 딥 결정론적 정책 기울기(DDPG) 방법을 사용합니다. 에이전트는 먼저 기하학적 브라운 운동(GBM) 자산 경로로 훈련 및 테스트되며, 전통적인 전략인 블랙-숄즈(BS) 델타보다 특히 거래 비용이 존재할 때 탁월한 성능을 발휘합니다. DRL 헤지의 실제 적용 가능성을 평가하기 위해 두 번째 실험 라운드에서는 시장 보정 확률 변동성 모델을 사용하여 DRL 에이전트를 훈련합니다. 구체적으로, 8개 기호에 걸쳐 80개의 풋 옵션이 수집되고, 각 기호에 대해 확률 변동성 모델 계수가 보정되며, 각각의 보정된 모델의 경로를 시뮬레이션하여 80개의 옵션 각각에 대해 DRL 에이전트를 훈련합니다. DRL 에이전트는 훈련 중 사용된 동일한 보정된 확률 변동성 모델 데이터를 사용할 때 BS 델타 방법보다 뛰어난 성능을 보이며, 옵션 판매 날짜와 만기 사이에 발생한 실제 자산 경로를 헤지할 때 더욱 나은 결과를 달성합니다. 따라서 이 연구는 미국 풋 옵션 헤지에 맞춰진 최초의 DRL 에이전트를 제시할 뿐만 아니라, 시뮬레이션 및 실증 시장 테스트 데이터 모두에서 DRL 에이전트가 실제 시나리오에서 BS 델타 방법보다 최적임을 나타냅니다. 마지막으로, 이 연구는 모델에 구애받지 않는 체비셰프 보간법을 사용하여 확률 변동성 모델을 사용할 때 각 시간 단계에서 DRL 에이전트에 옵션 가격을 제공하여 보다 복잡한 기초 자산 프로세스로의 쉬운 확장을 위한 일반적인 프레임워크를 제공합니다.