基于深度学习的对冲框架是一种在不完全市场中进行衍生品对冲的方法。与传统数学金融框架不同，深度对冲的优势在于其能够处理各种真实市场条件，如市场摩擦等。本研究提出一种名为对抗深度对冲的新框架，通过对抗学习训练基础资产模型，实现了学习鲁棒的对冲策略而不需要显式地对基础资产过程建模。通过数值实验，我们证明了该方法在各种真实市场数据下具有竞争性能。
Jul, 2023
本论文提出了一个通过深度强化学习方法，对具有市场摩擦因素（如交易成本、市场反应、流动性约束或风险限制）的衍生产品组合进行避险的框架，在非线性收益结构（如凸风险度量）中应用标准强化学习方法的详细讨论。
Feb, 2018
构建金融交易仿真器的能力，包括重现限价委托簿的动态，能够对许多反事实情景提供洞见，如闪崩、追加保证金或宏观经济前景的变化。近年来，已开发了能够重现交易所许多特征的基于代理的模型，由一组简化事实和统计数据总结。然而，将仿真器校准到特定的交易期间仍然是一个待解决的挑战。在本文中，我们借鉴深度学习的最新进展，特别是使用神经密度估计器和嵌入网络，提出了一种新的市场仿真器校准方法。我们证明了我们的方法能够正确识别高概率参数集，无论是应用于合成数据还是历史数据，而无需依赖手动选择或加权的简化事实集合。
Nov, 2023
提出了一种基于深度强化学习的新型动态对冲模型，考虑了市场冲击、流动性等实际特征，并通过期权对冲模拟研究，结果表明该模型在低流动性环境下表现更好。
Feb, 2024
本文提出了一种结合神经网络和基于随机微分方程的经典风险模型的模型 —— 神经 SDE 模型，该模型可以根据市场数据进行一致性校准，并用于模拟市场场景以评估风险和对冲策略。
Jul, 2020
我们考虑了一个结合了依赖不确定性和关于依赖结构的附加信息的多资产期权的模型无关边界的计算。我们提供了在这种情况下的资产定价的基本定理，以及一个超对冲对偶性，可以将概率度量上的最大化问题转化为更易解的交易策略上的最小化问题。我们使用惩罚方法和人工神经网络的深度学习逼近来解决后者。数值方法快速，并且计算时间与交易资产的数量成线性比例。最后，我们检验了各种附加信息的重要性。经验证据表明，“相关” 的信息，即与目标回报相同的衍生品价格，比其他信息更有用，并且应在精确性和计算效率之间的权衡中优先考虑。
Apr, 2024
该论文介绍了金融差分机器学习算法的创新概念，通过严谨的数学框架探讨了理论假设对机器学习算法构建的重要影响，从而构建了面向金融模型的数据驱动模型。
May, 2024
该研究通过深度强化学习（DRL）对美式期权进行对冲，调查了超参数对对冲表现的影响，并强调避免特定组合的重要性。另外，该研究引入了一种新方法，在每周时间间隔内使用新的校准随机波动率模型训练 DRL 代理，结果显示相较于仅在交易日期训练的代理，使用每周市场数据重新训练的 DRL 代理性能更好。此外，论文还证明在交易成本为 1％和 3％时，单次训练和每周训练的 DRL 代理都优于 Black-Scholes Delta 方法，这对实践具有重要意义。
深度强化学习方法在商品交易中的有效性研究表明，在对 2017 年至 2022 年间的次月天然气期货进行回测时，该模型产生的夏普比率平均比买入并持有基准高 83%，风险敏感度因子可用于调整风险承受能力。基于行动者的策略梯度算法明显优于基于演员 - 评论家的算法，基于卷积神经网络的模型略好于基于 LSTM 的模型。
Jun, 2023
通过多智能体模拟方法探索复杂适应性金融交易环境是量化金融领域中创新的方法。我们设计了一种基于小规模元启发式方法的多智能体模拟方法，旨在代表澳大利亚政府债券交易的不透明双边市场，捕捉银行之间的双边交易特性，也称为 “场外交易”，通常发生在 “做市商” 之间。我们探讨市场刚性对市场结构的影响，并考虑市场设计中的稳定性因素，这扩展了对复杂金融交易环境的讨论，提供了对其动态和影响的更深入的理解。