使用 LSTM-RNN 的期权对冲：实证分析-研究论文

【文件属性】：
文件名称：使用 LSTM-RNN 的期权对冲：实证分析-研究论文
文件大小：1014KB
文件格式：PDF
更新时间：2021-06-09 22:08:59
option hedging deep 本文使用长短期记忆循环神经网络（LSTM-RNN）方法提出了一种具有市场摩擦的最优对冲策略，该方法是对 Buehler 等人提出的方法的修改。 (2019a)。 市场摩擦是交易成本、流动性约束、交易限额和资金成本。 损失函数是谱风险度量。 然后，我们首先使用 LSTM-RNN 模型在实物期权市场进行实证分析，这些市场是亚洲市场（国内市场 50 ETF 期权，香港市场恒生指数期权，日经指数期权），北美市场（标准普尔 500 指数期权） ) 和欧洲市场（富时 100 指数期权）。 基准模型来自 Leland (1985)； 博伊尔和沃斯特（1992）； Whalley 和 Wilmott (1993)。 最后，我们在几何布朗模型和赫斯顿模型生成的模拟市场数据和真实市场数据中，将 LSTM-RNN 模型的结果与具有交易成本的基准模型的结果进行比较。 结果表明，在 GBM 市场设置方面，LSTM-RNN 模型在低或中等波动率（<0.8）、OTM 货币性和低风险水平（<80%）方面优于基准模型。 对于 50ETF 期权市场，LSTM-RNN 模型在 ATM 和低风险水平（<15%）方面优于基准模型。 对于 HSI 期权市场，当交易成本小于 1.5\% 时，RNN 模型优于基准模型。 对于日经指数和标准普尔 500 指数期权市场，LSTM-RNN 模型总是优于基准模型。 对于富时期权市场，当货币不是深度 ITM 时，LSTM-RNN 模型优于基准模型。