Application of Deep Reinforcement Learning to At-the-Money S&P 500 Options Hedging
创建于 更新于
摘要
本论文针对标准普尔500指数的平值期权套期保值问题，提出了基于Twin Delayed Deep Deterministic Policy Gradient（TD3）算法的深度强化学习（DRL）模型。通过2004至2024年的高频历史数据训练，并采用滚动前移方法进行17年多的超出样本预测评估，结果表明DRL策略在交易成本较高和市场波动剧烈的环境中，显著优于传统的Black–Scholes Delta套期保值方法。模型表现通过多种风险调整指标评估，包括夏普比率和信息比率，且敏感性分析揭示了交易成本、风险惩罚参数和波动率估计窗口对模型表现的重要影响，为实际交易中的期权套保提供了创新且稳健的方案 [page::1][page::23][page::30]。
