采用深度强化学习算法设计交易策略，测试其在 50 种流动性最强的期货合约中的表现，并对商品、股票指数、固定收益和外汇市场等不同资产类别进行研究，证明该算法可以超越传统的时间序列动量策略模型，在重交易成本情况下实现正收益，且能够跟随市场趋势不改变仓位，并在调整期间进行缩减或持有。

Nov, 2019

使用神经网络及其他机器学习技术可以用历史数据更准确地估算欧式期权价格，其中Google Cloud的AutoML Regressor、TensorFlow神经网络和XGBoost梯度提升决策树的效果均超过了传统的Black Scholes模型。

Jul, 2023

本文考虑了通过监督学习来学习期权价格或隐含波动率的问题，并发现在所选择的网络体系结构方面使用广义高速公路网络的精度比其它变体高，对于计算隐含波动率，采用变换后的 DGM 架构是最优的。

Jul, 2023

应用深度学习和强化学习结合，利用订单流量失衡进行多时间段预测收益的研究，为五种金融工具提供交易信号，并通过回测模拟和前期测试在零售交易平台验证了模型的潜力，但还需要进一步修改以应对零售交易成本、滑点和点差的波动。

Oct, 2023

通过比较实验，我们评估了深度偏微分方程求解器在高维环境中的经验性能，并确定了其中的三个主要错误源。我们的结果表明，深度反向随机偏微分方程方法（DBSDE）在性能上优于其他方法，并对期权规范的变化表现出鲁棒性。此外，我们发现这些方法的性能与批量大小和时间步数的平方根成反比。这一观察可帮助估计使用深度偏微分方程求解器实现所需准确性所需的计算资源。

Nov, 2023

我们开发了一种新颖的深度学习方法来定价扩散模型中的欧式期权，可以高效地处理由于粗糙波动率模型的马尔可夫逼近而导致的高维问题。该方法将期权定价偏微分方程重新表述为能量最小化问题，并通过深度人工神经网络以时间步进方式进行近似。所提出的方案符合随着货币流动性水平增加期权价格的渐近行为，并符合先验已知的期权价格界限。该方法的准确性和效率通过一系列数值示例进行评估，特别关注于提升的 Heston 模型。

Mar, 2024

DeepTraderX（DTX）是一种简单的基于深度学习的交易机器人，通过观察其他策略产生的价格，以及利用历史的Level-2市场数据，成功地将市场数据映射到报价并放置资产的买卖单，其结果经过统计分析验证，显示了简单模型的高效性，强调潜在利用“黑盒”深度学习系统创造更高效的金融市场。

Feb, 2024

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。

May, 2024

本研究解决了传统定价模型无法有效处理美式期权复杂性的难题。通过将机器学习算法与蒙特卡洛模拟相结合，研究展示了多种机器学习模型（如神经网络和决策树）在期权定价中的优势。结果表明，该方法显著提高了定价准确性和预测稳健性，为定量金融领域提供了新的见解。

Sep, 2024