Learning to Hedge Swaptions
创建于 更新于
摘要
本文提出并评估基于深度强化学习的“deep hedging”框架，用于对欧式 payer swaption 进行动态对冲，并与传统以因子敏感度（rho）为基础的对冲方法比较。研究在离散时间三因子无套利 Nelson–Siegel 模型下进行蒙特卡洛实验，分别以 MSE、下行风险（DR）和 CVaR 为目标训练对冲代理，结果显示：使用两个互补期限的掉期作为对冲工具可实现接近最优的对冲效果；RL 策略通过动态调整对各因子的暴露在多数情形下显著优于 rho-hedging，且在一定程度的模型误设情况下仍更具稳健性；不同目标函数会诱发不同的对冲风格（例如 CVaR 目标降低尾部风险而 MSE 目标提升整体精确度）[page::0][page::11][page::12][page::18]
