Хеджирование деривативов в условиях неполного рынка с использованием методов глубинного обучения

Данное исследование направлено на создание фреймворка динамического хеджирования производных финансовых инструментов в условиях неполного рынка статистическими методами. Выработанный подход требует только определения функции выплат дериватива как формулы отображения путей изменения цены базовых активов в скалярное значение прибыли, которую получит держатель дериватива — остальные шаги выполняются автоматически в рамках обучения полного цикла. Полученная модель общего вида возвращает вектор весов для реплицирующего портфеля, который далее может быть транслирован в реальные рыночные заявки, замыкая процесс полного цикла для практического использования. Работа представляет реализацию готового процесса получения хеджирующей стратегии в условиях финансовых рынков с транзакционными издержками, достигая решения в общем случае. Используется подход глубинного обучения с прямой оптимизацией градиентов, в противопоставление уже существующим подходам обучения с подкреплением. Исследование выводит вид функции потерь для оптимизации модели, сравнивает подход с базовыми вариантами как классической финансовой математики через дельта-хеджирование по формуле Блэка-Шоулза и моделированию Хестона, так и с алгоритмами обучения с подкреплением — Soft-Actor Critic и Proximal Policy Optimization. Проводится обучение и тестирование на реальных рыночных данных bid-ask цен валютных пар USDRUB и EURRUB с частотностью 1 минута на объём 500 тысяч валюты за период 2017-2024, используя в моделировании кривые процентных ставок, действующие на соответствующий период времени. Результаты исследования достигают уровня 1% статистической значимости превышения результатов бейзлайна для ребалансировки раз в 30 минут, а также уровня 0.01% для ребалансировки раз в 5 минут. Дополнительно к этому — в целях демонстрации общности подхода с точки зрения добавления признаков в модель — подход тестируется для предобученных эмбеддингов текстов финансовых Телеграм-каналов, что позволяет улучшить результаты для достижения статистической значимости <<0.01% (с t-Student статистикой на уровне 133.68).