May, 2024
衍生品定价和套期保值中的微分机器学习数学
Mathematics of Differential Machine Learning in Derivative Pricing and Hedging
Pedro Duarte Gomes
TL;DR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。
Abstract
This article introduces the groundbreaking concept of the financial
differential machine learning algorithm through a rigorous mathematical
framework. Diverging from existing literature on financial machine learning,
the work highlights the profound implications of theoretical assumptions
financial differential machine learning algorithmtheoretical assumptionsdata-driven modelsneural networksexperimental outcomes
发现论文，激发创造
基于神经随机微分方程的稳健定价和对冲
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
深度对冲
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
深度学习与差分隐私
本论文提出新的算法技术，包括隐私成本的细化分析，并在差分隐私框架下进行。 实验结果表明：我们可以在较小的隐私成本下训练具有非凸目标的深度神经网络，而且在软件复杂性、训练效率和模型质量上具有可管理的成本。
Jul, 2016
机器学习中的自动微分数学模型
本文介绍了自动求导实现与非平滑函数导数求解之间的关系，提出了一种非平滑微积分方程，并阐明其在随机逼近方法中的应用，同时证明了算法求解导数可能产生的人工临界点问题，并演示了通常方法如何以概率为一避免这些点。
Jun, 2020
基于人工市场模拟的深度对冲实证分析
深度对冲是一种利用深度学习来逼近最优对冲策略的方法，本研究提出了一种在深度对冲中使用人工市场模拟的新方法，可达到与传统方法几乎相同的效果，且无需使用数学金融模型。
Apr, 2024
对抗性深度对冲：学习无需价格过程建模的对冲策略
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