Daily Arxiv

전 세계에서 발간되는 인공지능 관련 논문을 정리하는 페이지 입니다.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 공유 시 출처만 명기하면 됩니다.

Deep Reinforcement Learning Algorithms for Option Hedging

Created by
  • Haebom

저자

Andrei Neagu, Frederic Godin, Leila Kosseim

개요

본 논문은 동적 헤징 문제에 대한 최적 해결책을 순차적 의사결정 문제로 구성하여 심층 강화 학습(DRL) 알고리즘을 사용하는 연구입니다. 기존 연구들이 하나 또는 두 개의 DRL 알고리즘의 성능만 평가한 것과 달리, 본 논문은 Monte Carlo Policy Gradient (MCPG), Proximal Policy Optimization (PPO), 네 가지 Deep Q-Learning (DQL) 변형, 두 가지 Deep Deterministic Policy Gradient (DDPG) 변형 등 총 여덟 가지 DRL 알고리즘의 성능을 비교 분석합니다. GJR-GARCH(1,1) 모델을 사용하여 데이터셋을 시뮬레이션하고, Black-Scholes 델타 헤지 전략을 기준으로 삼아 실험을 진행합니다.

시사점, 한계점

•
시사점:
◦
다양한 DRL 알고리즘의 동적 헤징 문제 적용 및 성능 비교를 통해 MCPG와 PPO 알고리즘의 우수성을 확인했습니다.
◦
MCPG 알고리즘이 Black-Scholes 델타 헤지 기준 전략보다 우수한 성능을 보였습니다. 이는 희소 보상 환경에서 MCPG 알고리즘의 효율성을 시사합니다.
◦
DQL과 DDPG의 새로운 변형을 동적 헤징 문제에 적용하여 알고리즘의 다양성을 확장했습니다.
•
한계점:
◦
제한된 계산 자원 내에서의 비교 분석이므로, 더 많은 계산 자원을 사용했을 경우 다른 알고리즘의 성능이 개선될 가능성이 있습니다.
◦
GJR-GARCH(1,1) 모델을 사용하여 시뮬레이션된 데이터셋에 대한 결과이므로, 실제 시장 데이터에 대한 일반화 가능성은 추가 연구가 필요합니다.
👍
Made with Slashpage