• 本文提出一种基于人工市场多智能体模拟的基础资产数据生成方法，用于深度对冲模型训练，替代传统基于数学金融模型（布朗运动、Heston模型）的生成算法[page::0][page::1].

- 深度对冲问题设定为卖方在离散时间市场环境下，通过持有底层资产对期权风险进行动态对冲，目标为最小化基于收益损失的效用函数，包括熵风险度量（ERM）和条件风险价值（CVaR）[page::2].

• 实验采用三类基础资产数据：S&P 500(2000-2022)、老S&P 500 (1931-1950)、巴西Bovespa指数，使用欧式期权和回望期权，结合不同的效用函数对深度对冲模型进行训练与评估[page::3].

- 人工市场模拟采用100个多因素（基础价值、趋势、噪声）决策的智能体参与连续双边拍卖市场，参数通过Bayesian调参库Optuna进行500轮调优，比较包括默认参数和调优后性能[page::4].

• 结果显示在多数组合参数下，人工市场模拟生成的数据训练的深度对冲模型在期权定价表现接近或优于布朗运动与Heston模型，尤其在欧式期权与CVaR(α=0.90，0.95)、ERM(λ=1)情况下表现突出，部分结果见下表：

| 衍生品 | 底层资产数据 | 效用函数 | 布朗运动默认 | Heston默认 | 人工市场默认 | 布朗运动调优 | Heston调优 |
|--------|--------------|--------------|--------------|------------|--------------|--------------|------------|
| 欧式期权 | S&P500 | ERM(λ=1) | 0.019750 | 0.019192 | 0.019419 | 0.019551 | 0.019299 |
| 欧式期权 | S&P500 | CVaR(α=0.95) | 0.061153 | 0.061949 | 0.058047 | 0.063598 | 0.060551 |
| 欧式期权 | S&P500 | CVaR(α=0.90) | 0.050233 | 0.052363 | 0.049532 | 0.061715 | 0.050061 |

• 人工市场模型的收益分布比传统模型表现出更长的尾部和更高的峰度，较好复现市场的风格化特征（图1、图2所示）。这种厚尾特征使得在高度风险敏感条件（如ERN λ=10、CVaR α=0.99）下表现不佳，但也更真实反映了极端风险场景[page::4][page::6][page::7].

• 各模型的最优调参结果指示利用不同效用函数和市场环境对于参数配置影响较大，调参对提升模型表现至关重要，且人工市场模拟的参数调优结果表明其灵活适应多种风险偏好[page::4][page::5].

- 该研究强调人工市场模拟在深度对冲模拟中的可行性及优势，但指出所用模拟较为简化，未来需开发更复杂、拟合真实市场的数据模拟器以提升性能，且考虑训练测试时序的偏差问题也将是研究重点[page::5].

详尽分析报告：《Experimental Analysis of Deep Hedging Using Artificial Market Simulations for Underlying Asset Simulators》

---

1. 元数据与概览

• 报告标题：Experimental Analysis of Deep Hedging Using Artificial Market Simulations for Underlying Asset Simulators

- 作者：Masanori Hirano

• 发布机构：Preferred Networks, Inc.，东京，日本

- 联系方式：research@mhirano.jp

• 报告主题：探讨使用人工市场模拟（Artificial Market Simulations）作为深度对冲（Deep Hedging）中基础资产模拟的一种新方法，比较其与传统数学金融模型（如布朗运动、Heston模型）的表现差异，验证其可行性与优势及局限性。

核心论点：

1. 深度对冲通常依赖于对基础资产的价格路径模拟，但现实市场的非平稳特征使得选择合适的模拟模型困难。

2. 报告提出采用人工市场模拟，基于多智能体交互的市场模型，来生成基础资产的价格序列，以更好地复现金融市场的典型特征。

1. 通过与传统数学模型的对比实验发现，人工市场模拟在多个风险度量指标和衍生品定价任务中表现出竞争力，甚至在部分设置下优于传统方法。

4. 同时，针对某些极端风险偏好设定，人工市场模拟表现出一定性能限制，相关原因和细节有待进一步研究。

---

2. 逐节深度解读

I. 引言

关键论点：

• 衍生品对冲和定价是金融风险管理的重要领域。

- 传统模型（如Black-Scholes）假设市场完备，但实际存在诸如交易成本、流动性限制等摩擦，使得这些模型存在不足。

• 深度对冲借助神经网络及蒙特卡洛模拟，能处理非完备市场与多种摩擦，且可直接使用风险度量作为目标函数。

- 但深度对冲高度依赖于合适的基础资产价格路径模拟；市场非平稳性导致仅依赖历史数据学习存在缺陷，需数据增强。

• 目前主流模拟器多基于数学金融模型（几何布朗运动、Heston、跳跃扩散模型、rBergomi等），但这些难以完整捕捉市场“典型特征”（stylized facts）。

- 多智能体的人工市场模拟因能展现agent交互，能更好复制这些市场特征，有潜力作为基础资产模拟方法。

阐释支撑：

• 深度对冲以神经网络拟合最优策略，不依赖传统定价公式，可以容纳交易成本等摩擦。

- 选择基础资产模拟器是关键难点，直接决定深度对冲学习的底层数据质量。

• 论据基于学界对市场“典型特征”和人工市场模拟的研究：如Lux和Marchesi (1999) 展示没有agent交互不能现实复制市场涨跌幅分布等。

- 本文创新点在于直接使用纯人工市场模拟（无数学模型掺杂）作为深度对冲的基础资产模拟器，探索其效果。

---

II. 相关工作

总结：

• 传统衍生品对冲采用的定价模型以Black-Scholes为典型。

- 近年来神经网络非参数方法兴起，能替代传统模型预测期权价格与隐含波动率。

• Buehler等的突破性研究提出“深度对冲”，通过最大化终端盈亏的效用函数训练神经网络，对冲策略具有普通金融模型难以拥有的灵活性和适用性。

- 深度对冲算法在包含交易摩擦、复杂资产组合上得到进一步拓展及应用（如引入无交易区间、利用强化学习等）。

• 训练过程关键在模拟底层价格路径，不同研究选用了不同的价格模型，存在模拟器选择对模型表现影响较大问题。

- 与本研究类似的尝试有将人工市场模型与数学模型融合的方法，但未完全利用人工模拟优势。

• 多智能体模拟自70年代起应用于社会现象分析，金融领域广泛通过模拟agent交易行为复现市场动力学和“闪崩”等极端现象。

- 金融危机加强了对行为金融学和基于复杂系统模拟方法的重视，进一步推动人工市场模拟研究。

推理依据：

• 该章节系统梳理了方法论基础，从经典定价模型到神经网络方法再到深度对冲及其底层数据需求。

- 文献引用显现深度对冲跨足多个研究方向和领域，也揭示了模拟器选择的供应链地位。

• 人工市场模拟强调市场参与者行为交互的复杂性，更贴近实际金融系统的动态。

---

III. 任务设定

任务描述：

• 典型离散时域对冲问题，持有一单位卖出期权，利用基础资产在定期时点调仓以对冲风险，最终在期权到期结算。

- 交易价格承受比例交易成本$c$，无风险利率假设为零简化分析。

• 期权支付为$Z(S)$，涵盖欧式期权（$max(ST-K,0)$）和回顾期权（Lookback）。

- 以盈亏（PL）定义对冲结果，考虑交易收益和交易成本。

• 损失函数为效用函数$u$的负值，典型例子为熵风险测度（ERM）和条件风险价值（CVaR）。

- 目标是通过调整仓位$\delta$来最小化预期损失，进而估算期权价格。

支撑及说明：

• 明确数学推导，定义了PL及损失函数，充分考虑交易成本和风险度量，适用实际市场的非完美摩擦环境。

- 涉及的ERM和CVaR效用函数体现风险敏感度的调节，为后续对比提供理论框架。

---

IV. 人工市场模拟模型

核心内容：

• 采用典型人工市场模型，100名智能体在单一双边连续竞价市场交易，交易主体随机选取。

- 设有预开盘阶段以增强市场流动性。

• 模型中的agent交易决策基于三大因子计算：

- 基本面因子$Ft^i$：根据代理的均值回复时间常数$\tau^{i}$和基础价格$pt^$与实时价格$pt$确定买卖倾向。
- 图表因子$Ct^i$：利用过去价格收益的移动平均表现趋势追踪。
- 噪声因子$Nt^i$：正态分布随机扰动。

• 计算加权因子后确定agent的期望收益率，并由期望收益率乘积调整买卖委托价格，控制委托价格偏离市场当前价格的幅度。

- 参数（如agent数量、权重、噪声强度、均值回复时间等）可调节，实验中采用Optuna进行贝叶斯超参优化。

---

V. 实验设计

目标：

• 比较人工市场模拟生成的资产路径对深度对冲定价与对冲效果，和传统数学金融模型（布朗运动、Heston模型）产生的效果差异。

实验设置：

• 选用期权类型：欧式期权和Lookback期权，均为20天到期，行权价1.0。

- 效用函数包括ERM($\lambda=1,10$)和CVaR($\alpha=0.90,0.95,0.99$)多种组合。

• 数据集：

- 开发集：美股S&P 500 (1931-1950 旧数据)
- 测试集：现代S&P 500 (2000-2022) 和巴西指数BVSP (2000-2022)

• 研究流程：

1. 超参数通过Optuna，对人工市场模拟及传统模型进行500次调优循环，每次同时训练深度对冲100 epoch，挑选最好模型。
2. 用训练后模型进行测试数据集的定价表现评估。

• 模型细节：

- 深度对冲输入包含行权价相关指标、剩余期限、隐含波动等信息；
- 采用4层32维MLP网络，激活ReLU并使用Layer Normalization；
- 优化器为Adam；

• 参数空间涵盖学习率、模型特定参数如均值回复、波动率水平、相关系数等。

---

VI. 结果与讨论

表格结论（表I）：

• 性能以期权定价误差（越低越好）表示。

- 总体看，人工市场模拟在多数设置（欧式期权+CVaR 90%, 95%，ERV $\lambda=1$）下，表现优于或与传统模型持平且有优势。

• 在极端风险偏好（ERM $\lambda=10$，CVaR 99%）下，人工市场模拟表现不如传统模型。

- 调参后表现有改进，但部分情况下默认参数更优，显示调参对数据集的适配影响较大。

性能差异解释：

• 人工市场模拟的资产回报存在“尾风险事件”发生频率更高，令深度对冲模型暴露于更极端风险。

- 极端风险度量函数对尾部事件异常敏感，导致其实验表现受限。

• 但这也反映出现实市场确实可能存在尾部风险，强调模型应涵盖的风险环境多样性。

图表详解（图1）：

• 分布图显示：

- S&P 500收益分布呈现非正态，存在“厚尾”
- 人工市场模拟的尾部明显更长、厚尾效应最显著，吻合实际市场特点
- Heston模型分布较为接近正态，尾部不厚

• 说明人工市场模拟更真实反映市场极端波动风险。

图表详解（图2）：

• 度量峰度（Kurtosis），衡量尾部厚度：

- S&P 500峰度在10-13之间，极端波动明显。
- 人工市场模拟峰度高于3且随时间尺度增长下降趋势与实际市场类似（“聚合高斯性”特征）
- Heston模型峰度接近3，意味着尾部接近正态分布，缺乏厚尾特征。

• 人工市场模拟更成功地捕捉市场的非正态性及多时间尺度分布演变规律。

参数调优结果（表II-IV）：

• 各模型的最佳超参数在不同衍生品类型、风险度量及基础资产模拟方法间差异显著。

- 反映出不同风险偏好和市场环境下，深度对冲策略的最优训练环境与参数存在差异，说明调参对取得最优对冲策略至关重要。

• 人工市场模拟虽然参数众多，但经过调整也能适应不同场景。

局限性：

• 报告指出当前采用的人工市场模拟较为简化，尚不足以完全复刻实际市场复杂性。

- 训练与测试数据集时间跨度大，可能影响模型泛化及调参效果。

• 对为何人工市场模拟在部分场景超越传统模型的原因还不够清晰，需要后续研究深入解剖。

---

3. 图表深度解读

表I：期权定价结果对比

• 展示欧式与回顾型期权在S&P500及BVSP数据集下，以不同风险效用函数度量的深度对冲定价误差。

- 颜色标红的最优结果散布在其中多种配置，显示无人一统的现象，体现不同模型在不同风险敏感度上的优势。

• 人工市场模拟在CVaR(0.90,0.95)及某些ERM(1)设置表现突出。

- 在极端风险极端置信水平测试中表现落后，主要原因是其对尾部风险事件的高频展示[page::4,5].

图1：收益分布（normalized returns）

• 图中上排为收益频率密度曲线，下排为绝对收益的右尾表现（对数刻度）。

- 人工市场模拟明显展现财富变动的厚尾特征，频率更高的极端收益事件，比较接近真实市场（S&P 500）的厚尾，但幅度更惊人。

• Heston模型表现接近正态分布，尾部明显较薄，难以表现市场实际风险[page::6].

图2：峰度随时间滞后变化

• 峰度随滞后期长短体现“聚合高斯性”现象，即时间尺度增长峰度向3靠近，分布趋于正态。

- 人工市场模拟在短滞后时峰度显著高于正常水平，随时间增长下降，比Heston更符合实际市场峰度曲线形态。

• S&P 500最高峰度峰值近13，人工市场模拟虽低于此值但接近，表现对尾厚度捕捉较好[page::7].

---

4. 估值分析

• 本研究估值核心是基于深度对冲模型通过基础资产路径模拟学习，最大化风险效用函数后的期权定价。

- 使用的效用函数包括：
- 熵风险测度（ERM）：以指数效用函数模拟风险厌恶；
- 条件风险价值（CVaR）：强调尾部风险，以置信水平$\alpha$刻画尾部损失。

• 价格估计公式为调整后的盈亏统计的无风险期望对应的价格$p$。

- 估值高度依赖基础资产模拟路径的分布特征和风险环境表现。

• 采用多种资产模拟器强化对冲策略对风险的适应性，尤其是尾部风险，展示了估值模型的灵活性和鲁棒性。

---

5. 风险因素评估

• 报告详尽指出以下风险因素：

1. 模拟模型匹配风险：基础资产模拟模型若不能真实反映市场数据特性，将导致深度对冲策略过拟合或风险识别偏差。

2. 极端风险事件风险：人工市场模拟因复现厚尾特征，涉及更多极端事件，风险度量如CVaR 99%下表现不稳定。

3. 训练-测试分布偏差：使用了不同年代的市场数据（训练用1930-50年旧数据，测试用2000-22年现代数据），可能造成模型泛化风险。

4. 参数调优难度风险：调优过程资源密集，参数多且相互关联，参数配置不当影响最终对冲效果。

• 对每种风险均有充分解释，指出其对模型表现和鲁棒性的潜在影响，给予调优和模型完善方向的提示[page::4,5].

---

6. 批判性视角与细微差别

• 优点：报告系统提出将人工市场模拟的全新应用，补充了传统数学金融模型的短板，重视市场真实的非线性、非高斯性和行为特征。

- 局限：
- 使用的人工市场模型较为简化，实际市场复杂度远超。
- 训练与测试时间跨度较大，可能引入不稳定的解释性误差。
- 人工市场模拟在某些极端风险偏好下性能下降，提示模型未完全捕捉所有风险因素。

• 潜在偏差：调参策略依赖旧数据的价格表现作为目标，可能导致过度拟合该历史时期特征。

- 报告之中无明显内部矛盾，论点均有数据或文献支持，但明确指出后续研究应聚焦模型丰富性与参数调优。

---

7. 结论性综合

本报告首次系统性地探索了纯人工市场模拟作为深度对冲中基础资产价格路径生成器的可行性，填补了此前人工模拟仅与数学模型融合的空白。通过对比传统布朗运动与Heston随机波动率模型，报告显示：

• 人工市场模拟能够有效复制金融市场的“典型特征”，尤其是利率分布的厚尾及峰度变化趋势与真实市场高度吻合。

- 在标准风险度量及多种期权类型的深度对冲任务中，人工市场模拟支持的模型性能不输传统数学模型，在若干配置中甚至优于传统方案。

• 极端风险偏好情境下，人工市场模拟因尾部事件出现频率更高，表现有所折扣，反映了现实极端风险环境的复杂性与模拟挑战。

- 参数调优对模型表现有显著影响，且最佳参数随风险函数及期权类型而异，强调模型训练需精细化配置。

• 报告表明人工市场模拟对深度对冲的底层资产模拟，尤其是追求更现实风险环境的策略，具有广阔潜力和研究价值。

- 未来工作应聚焦于升级人工市场模型复杂度、降低训练测试时序偏差、深化风险环境表征，推动深度对冲方法更好地应用于实际金融市场风险管理。

---

附图

图1：归一化收益分布对比

• 人工市场模拟的收益分布具有远长于传统模型的厚尾，表现出与现实S&P 500市场相似的尾部风险结构。

图2：峰度随滞后期变化

• 人工市场模拟跟随实际市场在峰度下降趋势上更加吻合，显示其较优的多尺度风险特性捕捉能力。

---

总结

本报告围绕衍生品深度对冲中基础资产模拟器选择难题，提出亦实亦虚的人工市场模拟新范式，系统开展了实证对比和参数调优实验，深入揭示该方法的优势与不足。人工市场模拟因多智能体交互结构，能更精准反映市场复杂风险的动态与分布特性，特别是在处理中端风险和尾部风险时展现独特刊势。此项研究拓展了深度对冲领域的工具箱，为未来智能对冲模型适应真实金融市场变化、承接复杂风险维度奠定了坚实基础，具有重要的理论推动与实际应用价值。

[page::0,1,2,3,4,5,6,7]

报告