EX-DRL: HEDGING AGAINST HEAVY LOSSES WITH EXTREME DISTRIBUTIONAL REINFORCEMENT LEARNING
创建于 更新于
摘要
本报告提出EX-DRL方法，通过结合广义帕累托分布（GPD）对损失分布极端分位数进行建模，提升分布强化学习中极端风险度量（VaR、CVaR）的估计精度。实验证明，EX-DRL在期权Gamma对冲中显著优于传统QR-DRL，取得了更精准的极端分位数估计和更优的盈亏分布表现，利于复杂金融风险管理 [page::0][page::1][page::5][page::9]。
